論文の概要: Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2103.00528v1
• Date: Sun, 28 Feb 2021 14:56:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:41:49.114829
• Title: Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation
• Title（参考訳）: デュアル不確実性推定を用いたラベルノイズによる医用画像分類の改善
• Authors: Lie Ju, Xin Wang, Lin Wang, Dwarikanath Mahapatra, Xin Zhao, Mehrtash Harandi, Tom Drummond, Tongliang Liu, Zongyuan Ge
• Abstract要約: 医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 72.0276067144762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are known to be data-driven and label noise can have a marked impact on model performance. Recent studies have shown great robustness to classic image recognition even under a high noisy rate. In medical applications, learning from datasets with label noise is more challenging since medical imaging datasets tend to have asymmetric (class-dependent) noise and suffer from high observer variability. In this paper, we systematically discuss and define the two common types of label noise in medical images - disagreement label noise from inconsistency expert opinions and single-target label noise from wrong diagnosis record. We then propose an uncertainty estimation-based framework to handle these two label noise amid the medical image classification task. We design a dual-uncertainty estimation approach to measure the disagreement label noise and single-target label noise via Direct Uncertainty Prediction and Monte-Carlo-Dropout. A boosting-based curriculum training procedure is later introduced for robust learning. We demonstrate the effectiveness of our method by conducting extensive experiments on three different diseases: skin lesions, prostate cancer, and retinal diseases. We also release a large re-engineered database that consists of annotations from more than ten ophthalmologists with an unbiased golden standard dataset for evaluation and benchmarking.
• Abstract（参考訳）: ディープニューラルネットワークはデータ駆動であることが知られており、ラベルノイズはモデルのパフォーマンスに著しい影響を与える可能性がある。 近年の研究では、高雑音下でも古典的な画像認識に強い頑健性が示されている。 医療用アプリケーションでは、医療用イメージングデータセットが非対称(クラス依存)ノイズを持ち、高いオブザーバー変動に苦しむため、ラベルノイズを持つデータセットからの学習はより困難です。 本稿では,医用画像における2つの一般的なラベルノイズ,すなわち不整合専門家の意見と誤診断記録の単一目標ラベルノイズを系統的に議論し,定義する。 次に、医用画像分類作業中の2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。 直接不確実性予測とモンテカルロドロップアウトによる不一致ラベルノイズと単一目標ラベルノイズの2つの不確実性推定手法を考案した。 後日、堅牢な学習のために強化ベースのカリキュラムトレーニング手順が導入される。 皮膚病変,前立腺癌,網膜疾患の3つの疾患について広範な実験を行い,本手法の有効性を実証した。 また、評価とベンチマークのための非バイアスの黄金標準データセットを持つ10人以上の眼科医のアノテーションで構成される大規模な再エンジニアリングデータベースもリリースしました。

関連論文リスト

• Active Label Refinement for Robust Training of Imbalanced Medical Image Classification Tasks in the Presence of High Label Noise [10.232537737211098]
  雑音ラベル(LNL)とアクティブラーニングを組み合わせた2段階のアプローチを提案する。 提案手法は,少数クラスからのクリーンなサンプルをノイズの多いサンプルとして誤識別しないことで,クラス不均衡を扱う従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-08T14:16:05Z)
• Contrastive-Based Deep Embeddings for Label Noise-Resilient Histopathology Image Classification [0.0]
  ノイズラベルは 病理組織像の分類において 重要な課題です ディープニューラルネットワークはラベルノイズに容易に適合し、モデル性能が大幅に低下する。 自己教師型コントラスト法で訓練した基礎モデルから抽出した埋め込みのラベル雑音耐性特性を示す。
  論文  参考訳（メタデータ） (2024-04-11T09:47:52Z)
• Investigating the Robustness of Vision Transformers against Label Noise in Medical Image Classification [8.578500152567164]
  医用画像分類データセットにおけるラベルノイズは、教師付き深層学習法の訓練を邪魔する。 プレトレーニングは、教師あり訓練におけるラベルノイズに対するViTの堅牢性向上に不可欠であることを示す。
  論文  参考訳（メタデータ） (2024-02-26T16:53:23Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction [5.994566233473544]
  本稿では,Co-Correctingという耐雑音性医用画像分類フレームワークを提案する。 分類精度を大幅に向上させ、デュアルネットワーク相互学習、ラベル確率推定、カリキュラムラベルの修正を通じてより正確なラベルを得る。 実験により, 様々なタスクにおいて, 雑音比の異なるコココレクショニングが最適な精度と一般化を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-11T02:09:52Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。