論文の概要: Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training
- arxiv url: http://arxiv.org/abs/2205.04723v1
- Date: Tue, 10 May 2022 07:50:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 18:06:53.503811
- Title: Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training
- Title(参考訳): 大域的・局所的な表現指導による雑音ラベルデータからのロバストな医用画像分類
- Authors: Cheng Xue, Lequan Yu, Pengfei Chen, Qi Dou, and Pheng-Ann Heng
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 73.60883490436956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks have achieved remarkable success in a wide variety of
natural image and medical image computing tasks. However, these achievements
indispensably rely on accurately annotated training data. If encountering some
noisy-labeled images, the network training procedure would suffer from
difficulties, leading to a sub-optimal classifier. This problem is even more
severe in the medical image analysis field, as the annotation quality of
medical images heavily relies on the expertise and experience of annotators. In
this paper, we propose a novel collaborative training paradigm with global and
local representation learning for robust medical image classification from
noisy-labeled data to combat the lack of high quality annotated medical data.
Specifically, we employ the self-ensemble model with a noisy label filter to
efficiently select the clean and noisy samples. Then, the clean samples are
trained by a collaborative training strategy to eliminate the disturbance from
imperfect labeled samples. Notably, we further design a novel global and local
representation learning scheme to implicitly regularize the networks to utilize
noisy samples in a self-supervised manner. We evaluated our proposed robust
learning strategy on four public medical image classification datasets with
three types of label noise,ie,random noise, computer-generated label noise, and
inter-observer variability noise. Our method outperforms other learning from
noisy label methods and we also conducted extensive experiments to analyze each
component of our method.
- Abstract(参考訳): ディープニューラルネットワークは、様々な自然画像と医療画像コンピューティングタスクで顕著な成功を収めてきた。
しかし、これらの成果は正確に注釈付けされたトレーニングデータに依存している。
ノイズの多いラベル付き画像に遭遇した場合、ネットワークトレーニング手順は困難に悩まされ、サブ最適分類器となる。
この問題は、医用画像の注釈品質がアノテータの専門知識や経験に大きく依存するため、医用画像解析の分野ではさらに深刻である。
本稿では,高品質なアノテート医療データの欠如に対処するために,雑音ラベルデータからロバストな医用画像分類を行うための,グローバルおよびローカル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。
具体的には,ノイズラベルフィルタ付き自己セ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。
そして、クリーンサンプルを共同トレーニング戦略で訓練し、不完全なラベル付きサンプルからの混乱を解消する。
特に,ネットワークを暗黙的に規則化し,自己教師あり方式でノイズサンプルを活用するための,新たなグローバル・ローカル表現学習方式を考案した。
提案手法は,3種類のラベルノイズ,ie,randomノイズ,コンピュータ生成ラベルノイズ,observer間変動雑音を含む4つの医療画像分類データセット上でロバストな学習戦略を評価した。
提案手法は,ノイズラベル法で他の学習よりも優れており,また,各成分の分析実験も行った。
関連論文リスト
- Sample selection with noise rate estimation in noise learning of medical image analysis [3.9934250802854376]
本稿では,ノイズの多いデータセットでトレーニングされた場合のニューラルネットワークの性能を向上させる新しいサンプル選択手法を提案する。
本手法では,線形回帰を用いて損失値の分布を解析することにより,データセットの雑音率を推定する。
モデルのノイズ堅牢性をさらに高めるために,スパース正規化を採用している。
論文 参考訳(メタデータ) (2023-12-23T11:57:21Z) - Label-noise-tolerant medical image classification via self-attention and
self-supervised learning [5.6827706625306345]
医用画像分類におけるノイズラベルの悪影響を軽減するためのノイズローバストトレーニング手法を提案する。
具体的には、コントラスト学習とグループ内注意混合戦略をバニラ指導学習に取り入れる。
コントラスト学習とアテンション・ミックスアップによるノイズ・ロバスト手法がラベルノイズを効果的に扱えるかどうかを厳密な実験により検証した。
論文 参考訳(メタデータ) (2023-06-16T09:37:16Z) - Weakly-supervised Generative Adversarial Networks for medical image
classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。
WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。
ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文 参考訳(メタデータ) (2021-11-29T15:38:48Z) - 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) - Annotation-Efficient Learning for Medical Image Segmentation based on
Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。
我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。
基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
論文 参考訳(メタデータ) (2020-12-29T03:22:41Z) - 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) - Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。
具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
論文 参考訳(メタデータ) (2020-08-06T03:04:16Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z) - 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)
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。