利用双不确定性估计改进带标签噪声的医学图像分类
计算机视觉与模式识别
2021-03-23 v2
摘要
深度神经网络以数据驱动著称，标签噪声会对模型性能产生显著影响。近期研究表明，即便在较高噪声率下，其对经典图像识别也具有很强鲁棒性。在医学应用中，从带标签噪声的数据集学习更具挑战性，因为医学影像数据集往往具有非对称（类依赖）噪声并受高观察者变异性影响。本文中，我们系统讨论并定义医学图像中两类常见标签噪声——来自专家意见不一致的不一致标签噪声，以及来自错误诊断记录的单目标标签噪声。随后我们提出一种基于不确定性估计的框架，以处理医学图像分类任务中的这两类标签噪声。我们设计了一种双不确定性估计方法，通过直接不确定性预测与蒙特卡洛丢弃（Monte-Carlo-Dropout）来度量不一致标签噪声与单目标标签噪声。随后引入基于提升的课程训练过程以实现鲁棒学习。我们在三种不同疾病——皮肤病变、前列腺癌和视网膜疾病——上开展大量实验证明了方法的有效性。我们还发布了一个大型重构数据库，其包含十余名眼科医生的标注以及用于评估与基准测试的无偏黄金标准数据集。
引用
@article{arxiv.2103.00528,
title = {Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation},
author = {Lie Ju and Xin Wang and Lin Wang and Dwarikanath Mahapatra and Xin Zhao and Mehrtash Harandi and Tom Drummond and Tongliang Liu and Zongyuan Ge},
journal= {arXiv preprint arXiv:2103.00528},
year = {2021}
}