面向胃肠道内窥镜图像的课程学习方法：CLoE 用于鲁棒的 MES 分类
计算机视觉与模式识别
2025-08-20 v1 机器学习
摘要
从内窥镜图像估计疾病严重程度对于评估溃疡性结肠炎至关重要，其中 Mayo 内窥镜亚评分 (MES) 是对炎症进行分级的常用方法。然而，由于注释者间的变异性导致的标签噪声以及 MES 的序数特性，使得 MES 分类仍然具有挑战性，标准模型往往忽视这些因素。我们提出了 CLoE—a 一种考虑标签可靠性和序数结构的课程学习框架。通过在波士顿肠溃疡准备评分 (BBPS) 标签上训练的轻量级模型估计图像质量，用作注释置信度的代理，以对样本进行排序，从易到难。该课程进一步与 ResizeMix 数据增强结合，以提高鲁棒性。在 LIMUC 和 HyperKvasir 数据集上进行实验，使用 CNN 和 Transformer，结果显示 CLoE 在各种监督和自监督基线方法上均表现出一致的性能提升。例如，在 LIMUC 数据集上，ConvNeXt-Tiny 达到 82.5% 的准确率和 0.894 的 QWK 分数，同时计算成本低。这些结果凸显了难度感知训练策略在标签不确定性条件下提高序数分类性能的潜力。代码将在 https://github.com/zeynepozdemir/CLoE 上发布。
引用
@article{arxiv.2508.13280,
title = {CLoE: Curriculum Learning on Endoscopic Images for Robust MES Classification},
author = {Zeynep Ozdemir and Hacer Yalim Keles and Omer Ozgur Tanriover},
journal= {arXiv preprint arXiv:2508.13280},
year = {2025}
}
备注
16 pages, 4 figures, 9 tables