噪声标记医学图像的鲁棒学习：应用于皮肤病变分类

深度神经网络（DNNs）已在多种医学图像分析任务中取得巨大成功。然而，这些成就不可或缺地依赖于精确标注的数据集。若使用噪声标记图像，训练过程会立即遇到困难，导致次优分类器。鉴于标注质量需要极高的专业性，该问题在医学领域尤为关键。本文提出一种用于噪声标记医学图像分类的有效迭代学习框架，以应对高质量标注医学数据匮乏的问题。具体而言，提出一种在线不确定性样本挖掘方法以消除噪声标记图像的干扰。接着，我们设计了一种样本重加权策略以保留正确标记困难样本的可用性。所提方法在皮肤病变分类任务上得到验证，并取得了非常有前景的结果。