QMix：面向鲁棒视网膜疾病诊断的混合噪声质量感知学习
计算机视觉与模式识别
2025-04-18 v2
摘要
由于医学图像采集的复杂性和标注的困难性，医学图像数据集不可避免地包含噪声。带有错误标签的噪声数据会影响深度神经网络的鲁棒性和泛化能力。以往的噪声学习方法主要考虑图像被误标产生的噪声，即标签噪声，并假设所有误标的图像都具有高图像质量。然而，医学图像极易遭受极端的质量问题，即数据噪声，其中缺失用于疾病诊断的判别性视觉特征。在本文中，我们提出了一种噪声学习框架，称为 QMix，用于在混合噪声下学习鲁棒的疾病诊断模型。QMix 在每个训练周期中交替进行样本分离和质量感知半监督训练。在样本分离阶段，我们设计了一个联合不确定性-损失准则，以有效分离 (1) 正确标注的图像；(2) 高质量的误标图像和 (3) 低质量的误标图像。在半监督训练阶段，我们训练疾病诊断模型从分离的样本中学习鲁棒的特征表示。具体而言，我们设计了一个样本重加权损失，以在训练期间减轻低质量误标图像的影响。同时，提出了一种对比增强损失，以进一步将低质量误标图像与正确标注的图像区分开来。QMix 在五个公开的视网膜图像数据集上取得了 SOTA 的疾病诊断性能，并在面对混合噪声时展现出显著的鲁棒性提升。
引用
@article{arxiv.2404.05169,
title = {QMix: Quality-aware Learning with Mixed Noise for Robust Retinal Disease Diagnosis},
author = {Junlin Hou and Jilan Xu and Rui Feng and Hao Chen},
journal= {arXiv preprint arXiv:2404.05169},
year = {2025}
}
备注
Accepted to IEEE Transactions on Medical Imaging