医学图像分析噪声学习中的噪声率估计与样本选择
图像与视频处理
2024-07-12 v2 计算机视觉与模式识别
摘要
在医学图像分析领域，深度学习模型在提高诊断准确性和效率方面取得了显著成功。然而，这些模型的可靠性高度依赖于训练数据的质量，医学图像数据中标签噪声（数据集标注错误）的存在构成了重大挑战。本文介绍了一种新的样本选择方法，该方法提升了神经网络在噪声数据集上训练时的性能。我们的方法通过分析损失值的分布并利用线性回归来估计数据集的噪声率。随后根据损失值对样本进行排序，并将潜在的噪声样本从数据集中排除。此外，我们采用稀疏正则化以进一步增强模型的噪声鲁棒性。我们在五个基准数据集和一个真实世界的噪声医学图像数据集上评估了所提出的方法。值得注意的是，其中两个数据集包含 3D 医学图像。实验结果表明，我们的方法优于现有的噪声鲁棒学习方法，特别是在高噪声率场景下。
引用
@article{arxiv.2312.15233,
title = {Sample selection with noise rate estimation in noise learning of medical image analysis},
author = {Maolin Li and Giacomo Tarroni},
journal= {arXiv preprint arXiv:2312.15233},
year = {2024}
}
备注
22 pages, 4 figures