释放开放式噪音样本对标签噪声的潜力,用于医学图像分类
Zehui Liao1, Shishuai Hu1, Yanning Zhang1
1National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University, 1 Dongxiang Road, Chang'an District, Xi'an, Shaanxi, 710072, China.
Medical image analysis
|July 6, 2025
概括
这项研究介绍了ENCOFA,这是医疗图像分类的新框架,可以有效处理封闭式和开放式标签噪声. 通过利用开放式噪音样本,ENCOFA提高了模型的稳定性,以便更好地进行特征歧视和标签分配.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 医学图像分类面临着与共存的封闭式和开放式标签噪声的挑战.
- 医学图像中的高跨类相似性使开放式噪音样本的识别变得复杂.
- 现有的方法往往不充分利用开放式噪音样本来减轻噪音.
研究的目的:
- 提出一个新的框架,ENCOFA (扩展噪声强大的对比和开放式特征增强),以解决医疗图像分类中的标签噪声.
- 加强分销和分销之外的两个类别的特征歧视.
- 为了有效地利用开放式噪声样本,提高噪声稳定性.
主要方法:
- 开发了一个扩展噪声强大的监督对比损失,以改善特征歧视和标记噪声的强度.
- 引入了一个开放集特征增强模块,以丰富开放集样本和动态分配标签.
- 根据标签可靠性,对待开放式噪音样本作为扩展类和加权对比对.
主要成果:
- 与六种最先进的方法相比,ENCOFA在合成和现实世界杂数据集上表现出更高的性能.
- 该框架有效地利用开放式噪音样本来打击标签噪音.
- 评估证实了提升的特征歧视和拟议方法的稳定性.
结论:
- 在医疗图像分类中,ENCOFA在处理标签噪声方面取得了重大进展.
- 明确利用开放式噪音样本对于强大的医学图像分析至关重要.
- 提出的方法为未来研究噪音标签学习提供了有希望的方向.
