深度学习生物医学图像分类中自动标签与手动标签同等有效
图像与视频处理
2024-06-21 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
生物医学数据的日益增多正在帮助设计更稳健的深度学习 (DL) 算法来分析生物医学样本。目前，训练 DL 算法执行特定任务的主要限制之一是需要医学专家对数据进行标记。存在自动标记方法，但自动标记可能具有噪声，且尚不清楚在何种情况下可以采用自动标记来训练 DL 模型。本文旨在调查在何种情况下可以采用自动标记来训练 DL 模型进行 Whole Slide Images (WSI) 的分类。分析涉及多种架构，如卷积神经网络 (CNN) 和 Vision Transformer (ViT)，以及来自三种用例的 10000 多张 WSI：血管性胃肠病、肺癌和结肠癌，分别包括二分类、多分类和多标签数据。结果允许识别 10% 的噪声标签比例可导致训练出在 WSI 分类方面具有竞争力的模型。因此，生成自动标签的算法需要满足此标准才能被采用。将 Semantic Knowledge Extractor Tool (SKET) 算法应用于生成自动标签，可获得的性能与使用手动标签获得的性能相当，因为其生成的噪声标签比例在 2-5% 之间。自动标签与手动标签同等有效，达到与使用手动标签训练模型相当的稳健性能。
引用
@article{arxiv.2406.14351,
title = {Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning},
author = {Niccolò Marini and Stefano Marchesin and Lluis Borras Ferris and Simon Püttmann and Marek Wodzinski and Riccardo Fratti and Damian Podareanu and Alessandro Caputo and Svetla Boytcheva and Simona Vatrano and Filippo Fraggetta and Iris Nagtegaal and Gianmaria Silvello and Manfredo Atzori and Henning Müller},
journal= {arXiv preprint arXiv:2406.14351},
year = {2024}
}
备注
pre-print of the journal paper