面向噪声脑 MRI 的稳健影响力训练方法
计算机视觉与模式识别
2024-05-13 v2 人工智能
摘要
正确分类脑肿瘤对于及时准确的治疗 patient 至关重要。虽然已提出多种基于经典图像处理或深度学习的方法用于快速分类 MR 图像中的肿瘤，但大多数方法假设训练数据无噪声。本文研究了在噪声 MR 图像上训练深度学习模型以分类脑肿瘤的困难但现实的情境。我们提出两种对噪声 MRI 训练数据稳健的训练方法：基于影响函数的样本重加权（ISR）和基于影响函数的样本扰动（ISP）。在 ISR 中，我们根据训练过程中有帮助/有害的程度自适应地对训练样本进行权重重新分配；在 ISP 中，我们按影响得分比例制作并注入有益扰动。两种方法均能在不显著影响模型在测试数据上的泛化能力的前提下，提高对噪声训练数据的鲁棒性。我们在常用的脑肿瘤数据集上进行实证评估，将 ISR 和 ISP 与三个基线方法进行比较。我们的实证结果表明，ISR 和 ISP 能够高效训练对噪声训练数据稳健的深度学习模型。
引用
@article{arxiv.2403.10698,
title = {Robust Influence-based Training Methods for Noisy Brain MRI},
author = {Minh-Hao Van and Alycia N. Carey and Xintao Wu},
journal= {arXiv preprint arXiv:2403.10698},
year = {2024}
}