协同纠正：基于互标签纠正的噪声容忍医学图像分类
图像与视频处理
2021-09-14 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
随着深度学习的发展，医学图像分类取得了显著改进。然而，深度学习需要大量带标签数据。由人类专家标注样本昂贵且耗时，而从众包收集标签则存在噪声，可能使分类器精度退化。因此，亟需能有效处理标签噪声的方法。遗憾的是，深度学习处理标签噪声的最新进展在很大程度上未被医学图像领域所关注。为填补此空白，本文提出一种名为 Co-Correcting 的噪声容忍医学图像分类框架，其通过双网络互学习、标签概率估计与课程标签纠正，显著提高了分类精度并获得更准确的标签。在两个代表性医学图像数据集与 MNIST 数据集上，我们测试了六种最新的带噪标签学习方法并开展对比研究。实验表明，Co-Correcting 在不同噪声比例下的各类任务中均取得最佳精度与泛化性。我们的项目见：https://github.com/JiarunLiu/Co-Correcting。
引用
@article{arxiv.2109.05159,
title = {Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction},
author = {Jiarun Liu and Ruirui Li and Chuan Sun},
journal= {arXiv preprint arXiv:2109.05159},
year = {2021}
}
备注
IEEE Transactions on Medical Imaging 2021