論文の概要: Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction

• arxiv url: http://arxiv.org/abs/2109.05159v1
• Date: Sat, 11 Sep 2021 02:09:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 16:14:16.368374
• Title: Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction
• Title（参考訳）: co-correcting: 相互ラベル補正によるノイズ耐性医用画像分類
• Authors: Jiarun Liu, Ruirui Li, Chuan Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.994566233473544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of deep learning, medical image classification has been significantly improved. However, deep learning requires massive data with labels. While labeling the samples by human experts is expensive and time-consuming, collecting labels from crowd-sourcing suffers from the noises which may degenerate the accuracy of classifiers. Therefore, approaches that can effectively handle label noises are highly desired. Unfortunately, recent progress on handling label noise in deep learning has gone largely unnoticed by the medical image. To fill the gap, this paper proposes a noise-tolerant medical image classification framework named Co-Correcting, which significantly improves classification accuracy and obtains more accurate labels through dual-network mutual learning, label probability estimation, and curriculum label correcting. On two representative medical image datasets and the MNIST dataset, we test six latest Learning-with-Noisy-Labels methods and conduct comparative studies. The experiments show that Co-Correcting achieves the best accuracy and generalization under different noise ratios in various tasks. Our project can be found at: https://github.com/JiarunLiu/Co-Correcting.
• Abstract（参考訳）: 深層学習の発展に伴い、医用画像の分類は大幅に改善された。 しかし、ディープラーニングにはラベル付きの大量のデータが必要である。 人間の専門家によるサンプルのラベル付けは高価で時間がかかるが、クラウドソーシングによるラベルの収集には、分類器の精度を損なう可能性のあるノイズが伴う。 そのため,ラベルノイズを効果的に扱えるアプローチが望まれている。 残念ながら、ディープラーニングにおけるラベルノイズ処理の最近の進歩は、医療画像にほとんど気付かれていない。 そこで本稿では,このギャップを埋めるために,2つのネットワーク間相互学習,ラベル確率推定,カリキュラムラベル修正により,分類精度を著しく向上し,より正確なラベルを得るための,ノイズ耐性のある医用画像分類フレームワークco-correctingを提案する。 2つの代表的な医用画像データセットとMNISTデータセットに基づいて、6つの最新のLearning-with-Noisy-Labels法を検証し、比較研究を行った。 実験により, 様々なタスクにおいて, 雑音比の異なる最適精度と一般化を実現することができた。 私たちのプロジェクトは、https://github.com/JiarunLiu/Co-Correcting.comで見られます。

関連論文リスト

• Self-Relaxed Joint Training: Sample Selection for Severity Estimation with Ordinal Noisy Labels [5.892066196730197]
  オーディナルの雑音ラベルを用いた学習のための新しいフレームワークを提案する。 私たちのフレームワークは、クリーンなサンプル選択とデュアルネットワークアーキテクチャの2つのテクニックを使用します。 2つの手法でソフトラベルとハードラベルを適切に使用することにより、より正確なサンプル選択と堅牢なネットワークトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-10-29T09:23:09Z)
• How does self-supervised pretraining improve robustness against noisy labels across various medical image classification datasets? [9.371321044764624]
  ノイズラベルは、特にディープラーニングにおいて、医療画像の分類に大きな影響を及ぼす可能性がある。 ラベル付きデータに依存しない自己教師付き事前トレーニングは、ノイズのあるラベルに対する堅牢性を高めることができる。 以上の結果から,DermNetは5つのデータセットの中で最も難易度が高いが,ノイズのあるラベルに対して強い堅牢性を示すことがわかった。
  論文  参考訳（メタデータ） (2024-01-15T22:29:23Z)
• 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)
• Two Wrongs Don't Make a Right: Combating Confirmation Bias in Learning with Label Noise [6.303101074386922]
  Robust Label Refurbishment (Robust LR) は、擬似ラベルと信頼度推定技術を組み込んだ新しいハイブリッド手法である。 本手法はラベルノイズと確認バイアスの両方の損傷を軽減できることを示す。 例えば、Robust LRは、実世界のノイズデータセットであるWebVisionにおいて、以前の最高値よりも最大4.5%の絶対的トップ1精度の向上を実現している。
  論文  参考訳（メタデータ） (2021-12-06T12:10:17Z)
• Noisy Label Learning for Large-scale Medical Image Classification [37.79118840129632]
  我々は,最先端のノイズラベルマルチクラストレーニングアプローチを適用し,データセットの胸部x線14のマルチラベル分類器を学習する。 Chest X-ray14 のラベルノイズの大半が 'No Finding' クラスに存在することを示し、これはラベルミスによる 14 疾患の 1 つ以上を含む可能性が高いクラスであるため直感的に正しい。
  論文  参考訳（メタデータ） (2021-03-06T07:42:36Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  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。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• 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)
• Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
  本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。 我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。 これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
  論文  参考訳（メタデータ） (2020-10-18T18:59:44Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
  そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。 Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-06-14T07:55:32Z)

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。