BoMD：用于含噪胸部 X 光分类的多标签描述子袋
图像与视频处理
2023-08-10 v5 人工智能
计算机视觉与模式识别
机器学习
摘要
深度学习方法在医学影像问题中展现出卓越的分类精度，这在很大程度上归功于带有干净标签的大规模数据集的可获得性。然而，鉴于此类人工标注成本高昂，新的医学影像分类问题可能不得不依赖从放射学报告中提取的机器生成的含噪标签。事实上，许多胸部 X 光（CXR）分类器已经基于含噪标签的数据集建模，但其训练过程通常对含噪标签样本不够鲁棒，导致次优模型。此外，CXR 数据集多为多标签，因此当前为多类问题设计的含噪标签学习方法难以直接适配。本文提出一种针对含噪多标签 CXR 学习的新方法，其检测并平滑地重新标注数据集中的样本，随后用于训练常规多标签分类器。所提方法优化一个多标签描述子袋（BoMD），以促进其与由 BERT 模型从多标签图像标注生成的语义描述子的相似性。我们在多个含噪多标签训练集与干净测试集上的实验表明，我们的模型在许多 CXR 多标签分类基准上具有最先进的精度与鲁棒性。
引用
@article{arxiv.2203.01937,
title = {BoMD: Bag of Multi-label Descriptors for Noisy Chest X-ray Classification},
author = {Yuanhong Chen and Fengbei Liu and Hu Wang and Chong Wang and Yu Tian and Yuyuan Liu and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2203.01937},
year = {2023}
}
备注
Code is available at https://github.com/cyh-0/BoMD