少即是多：面向甲状腺结节诊断的自适应课程学习
计算机视觉与模式识别
2022-07-05 v1
摘要
甲状腺结节分类旨在根据给定超声图像判断结节为良性或恶性。然而，作为临床医学金标准的细胞学活检所获得的标签并不总是与超声影像 TI-RADS 标准一致。两者之间的信息差异导致现有基于深度学习的分类方法难以决断。为解决不一致标签问题，我们提出一种自适应课程学习（ACL）框架，其自适应地发现并丢弃具有不一致标签的样本。具体而言，ACL 同时考虑困难样本与模型确定性，能够准确确定区分不一致标签样本的阈值。此外，我们贡献了 TNCD：一个甲状腺结节分类数据集，以促进未来相关的甲状腺结节研究。基于三种不同骨干网络在 TNCD 上的大量实验结果不仅证明了我们方法的优越性，也证实了少即是多原则——即策略性地丢弃不一致标签样本可带来性能提升。源代码与数据见 https://github.com/chenghui-666/ACL/。
引用
@article{arxiv.2207.00807,
title = {Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis},
author = {Haifan Gong and Hui Cheng and Yifan Xie and Shuangyi Tan and Guanqi Chen and Fei Chen and Guanbin Li},
journal= {arXiv preprint arXiv:2207.00807},
year = {2022}
}
备注
Accepted to MICCAI 2022 with Student Travel Award