针对具有像素相关噪声标签的不平衡医学图像分割
计算机视觉与模式识别
2025-01-14 v1 人工智能
摘要
由于医学图像标注的挑战性，训练数据中的噪声标签往往阻碍了准确的医学图像分割。以往处理噪声标签的研究倾向于做出类别相关的假设，忽略了大多数噪声标签的像素相关性。此外，现有方法通常采用固定阈值来过滤噪声标签，这有可能移除少数类，从而降低分割性能。为了弥补这些不足，我们提出的框架“基于课程选择的协同学习”(CLCS) 旨在解决具有类别不平衡的像素相关噪声标签。CLCS 在现有工作基础上取得了以下进展：i) 将噪声标签视为像素相关的，并通过协同学习框架加以解决；ii) 采用适应模型学习进度的课程动态阈值方法来选择干净数据样本，以缓解类别不平衡问题；iii) 对噪声数据样本应用噪声平衡损失，以提高数据利用率，而非直接将其丢弃。具体而言，我们的 CLCS 包含两个模块：课程噪声标签样本选择 (CNS) 和噪声平衡损失 (NBL)。在 CNS 模块中，我们设计了一个带有差异损失的双分支网络用于协同学习，以便从不同视角提取同一实例的不同特征表示，并用于对像素的类别概率进行投票。此外，采用课程动态阈值通过概率投票来选择干净标签样本。在 NBL 模块中，我们没有直接丢弃可疑的噪声标签，而是进一步采用鲁棒损失来利用这些实例以提升性能。
引用
@article{arxiv.2501.06678,
title = {Imbalanced Medical Image Segmentation with Pixel-dependent Noisy Labels},
author = {Erjian Guo and Zicheng Wang and Zhen Zhao and Luping Zhou},
journal= {arXiv preprint arXiv:2501.06678},
year = {2025}
}