仅使用自监督预训练改善噪声标签下的医学图像分类
图像与视频处理
2023-08-10 v1 计算机视觉与模式识别
机器学习
摘要
噪声标签会损害基于深度学习的监督图像分类性能，因为模型可能过拟合噪声并学习到被破坏的特征提取器。对于使用噪声标签数据训练的自然图像分类，采用对比自监督预训练权重进行模型初始化已被证明可减少特征破坏并提升分类性能。然而，尚无研究探讨：i）其他自监督方法（如基于前置任务的预训练）如何影响噪声标签下的学习；ii）在噪声标签设定下仅使用任何自监督预训练方法处理医学图像。医学图像通常数据集较小且类间差异细微，需要人类专业知识以确保正确分类。因此，尚不清楚在自然图像数据集（如CIFAR）中改善噪声标签学习的方法是否也适用于医学图像。本工作中，我们探索对比与基于前置任务的自监督预训练，以初始化深度学习分类模型在两个具有自诱导噪声标签的医学数据集上的权重——NCT-CRC-HE-100K组织学图像与COVID-QU-Ex胸部X射线图像。我们的结果表明，使用自监督学习获得的预训练权重初始化的模型能有效学习更好的特征并提升对噪声标签的鲁棒性。
引用
@article{arxiv.2308.04551,
title = {Improving Medical Image Classification in Noisy Labels Using Only Self-supervised Pretraining},
author = {Bidur Khanal and Binod Bhattarai and Bishesh Khanal and Cristian A. Linte},
journal= {arXiv preprint arXiv:2308.04551},
year = {2023}
}
备注
Accepted at MICCAI 2023 DEMI Workshop