基于全局与局部表征引导协同训练从噪声标签数据中进行鲁棒医学图像分类
图像与视频处理
2022-05-11 v1 计算机视觉与模式识别
摘要
深度神经网络在各类自然图像和医学图像计算任务中取得了显著成功。然而，这些成就不可或缺地依赖于准确标注的训练数据。若遇到一些噪声标注图像，网络训练过程将陷入困难，导致次优分类器。该问题在医学图像分析领域更为严重，因为医学图像的标注质量严重依赖标注者的专业知识和经验。本文中，我们提出一种新颖的具有全局与局部表征学习的协同训练范式，用于从噪声标注数据中鲁棒地进行医学图像分类，以应对高质量标注医学数据的缺乏。具体而言，我们采用带噪声标签过滤器的自集成模型来高效筛选干净与噪声样本。然后，干净样本通过协同训练策略训练，以消除来自不完美标注样本的干扰。值得注意的是，我们进一步设计了一种新颖的全局与局部表征学习方案，以自监督方式隐式正则化网络来利用噪声样本。我们在四个公开医学图像分类数据集上以三类标签噪声（即随机噪声、计算机生成标签噪声和观察者间变异噪声）评估了所提出的鲁棒学习策略。我们的方法优于其他从噪声标签学习的方法，并且我们进行了大量实验来分析方法的各个组件。
引用
@article{arxiv.2205.04723,
title = {Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training},
author = {Cheng Xue and Lequan Yu and Pengfei Chen and Qi Dou and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2205.04723},
year = {2022}
}