NVUM：用于鲁棒医学图像分类的非易失无偏记忆
计算机视觉与模式识别
2022-08-23 v6
摘要
现实世界的大规模医学图像分析（MIA）数据集面临三个挑战：1）包含噪声标签样本，影响训练收敛与泛化；2）通常各类别样本分布不平衡；3）通常为多标签问题，即样本可能有多种诊断。现有方法通常仅针对其中部分问题训练，我们尚未见能同时解决这三个问题的方法。本文提出一种称为非易失无偏记忆（NVUM）的新训练模块，其以非易失方式存储模型 logits 的运行平均，用于噪声多标签问题上的新正则化损失。我们进一步在 NVUM 更新中对分类预测进行无偏处理，以应对不平衡学习问题。我们进行了大量实验，在本论文提出的新基准上评估 NVUM：训练在由 Chest-Xray14 和 CheXpert 构成的噪声多标签不平衡胸部 X 射线（CXR）训练集上进行，测试在干净多标签 CXR 数据集 OpenI 和 PadChest 上进行。我们的方法在所有评估上均优于以往的 SOTA CXR 分类器以及可处理噪声标签的已有方法。代码见 https://github.com/FBLADL/NVUM。
引用
@article{arxiv.2103.04053,
title = {NVUM: Non-Volatile Unbiased Memory for Robust Medical Image Classification},
author = {Fengbei Liu and Yuanhong Chen and Yu Tian and Yuyuan Liu and Chong Wang and Vasileios Belagiannis and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2103.04053},
year = {2022}
}
备注
MICCAI 2022 Early Accept