Flow-Mixup：用于带损坏标签的多标签医学图像分类
计算机视觉与模式识别
2021-02-17 v1 机器学习
图像与视频处理
摘要
在临床实践中，医学图像判读常涉及多标签分类，因为患者的患病部位往往呈现多种症状或合并症。近来，基于深度学习的框架在医学图像判读上达到了专家级性能，这部分归功于大量准确标注。然而，人工标注海量医学图像不切实际，而自动标注快速却不精确（可能引入损坏标签）。本工作中，我们提出一种称为Flow-Mixup的新正则化方法，用于带损坏标签的多标签医学图像分类。Flow-Mixup引导模型捕获每种异常的鲁棒特征，从而有效应对损坏标签，并使应用自动标注成为可能。具体而言，Flow-Mixup通过对模型隐藏状态施加约束来解耦所提取的特征。并且，理论与实证分析表明，相较于其他已知正则化方法，Flow-Mixup更稳定且有效。在包含两个心电图数据集和一个含损坏标签的胸部X射线数据集上的实验验证了Flow-Mixup的有效性及对损坏标签的不敏感性。
引用
@article{arxiv.2102.08148,
title = {Flow-Mixup: Classifying Multi-labeled Medical Images with Corrupted Labels},
author = {Jintai Chen and Hongyun Yu and Ruiwei Feng and Danny Z. Chen and Jian Wu},
journal= {arXiv preprint arXiv:2102.08148},
year = {2021}
}