贝叶斯统计引导的标签翻新机制：缓解医学图像分类中的标签噪声
计算机视觉与模式识别
2022-10-12 v2 人工智能
摘要
目的：深度神经网络（DNNs）凭借其在医学图像间强大的映射能力，已广泛应用于医学图像分类。然而，这些现有的基于深度学习的方法依赖于大量精心标注的图像。同时，标注过程中不可避免地引入噪声，降低了模型性能。因此，设计鲁棒的训练策略以缓解医学图像分类任务中的标签噪声具有重要意义。方法：本工作中，我们提出一种新颖的贝叶斯统计引导标签翻新机制（BLRM）用于 DNNs，以防止对噪声图像的过拟合。BLRM 利用贝叶斯统计中的最大后验概率（MAP）与指数时间加权技术，有选择地纠正噪声图像的标签。当 BLRM 激活时，训练图像随训练轮次逐渐被净化，进一步提升分类性能。结果：在合成噪声图像（公开 OCT 与 Messidor 数据集）和真实世界噪声图像（ANIMAL-10N）上的综合实验表明，BLRM 有选择地翻新噪声标签，抑制了噪声数据的不利影响。此外，集成于 DNNs 的抗噪声 BLRM 在不同噪声比例下均有效，且独立于主干 DNN 架构。并且，BLRM 优于最先进的抗噪声对比方法。结论：这些研究表明，所提出的 BLRM 能够很好地缓解医学图像分类任务中的标签噪声。
引用
@article{arxiv.2106.12284,
title = {Bayesian Statistics Guided Label Refurbishment Mechanism: Mitigating Label Noise in Medical Image Classification},
author = {Mengdi Gao and Ximeng Feng and Mufeng Geng and Zhe Jiang and Lei Zhu and Xiangxi Meng and Chuanqing Zhou and Qiushi Ren and Yanye Lu},
journal= {arXiv preprint arXiv:2106.12284},
year = {2022}
}
备注
10 pages, 11 figures