論文の概要: Sample selection with noise rate estimation in noise learning of medical image analysis

• arxiv url: http://arxiv.org/abs/2312.15233v1
• Date: Sat, 23 Dec 2023 11:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 18:59:45.526687
• Title: Sample selection with noise rate estimation in noise learning of medical image analysis
• Title（参考訳）: 医用画像解析のノイズ学習におけるノイズレート推定を用いたサンプル選択
• Authors: Maolin Li, Giacomo Tarroni, Vasilis Siomos
• Abstract要約: そこで本研究では,ノイズ率推定をサンプル選択手法に組み込んで,ノイズの多いデータセットを扱う新しいノイズロバスト学習手法を提案する。 本手法は,3次元医用画像を含む2つの医用画像分類データセットを含む,5つの医用画像分類データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 3.9934250802854376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning techniques have demonstrated remarkable success in the field of medical image analysis. However, the existence of label noise within data significantly hampers its performance. In this paper, we introduce a novel noise-robust learning method which integrates noise rate estimation into sample selection approaches for handling noisy datasets. We first estimate the noise rate of a dataset with Linear Regression based on the distribution of loss values. Then, potentially noisy samples are excluded based on this estimated noise rate, and sparse regularization is further employed to improve the robustness of our deep learning model. Our proposed method is evaluated on five benchmark medical image classification datasets, including two datasets featuring 3D medical images. Experiments show that our method outperforms other existing noise-robust learning methods, especially when noise rate is very big.
• Abstract（参考訳）: 深層学習技術は医用画像解析の分野で顕著な成功を収めている。 しかし、データ内のラベルノイズの存在は、その性能を著しく損なう。 本稿では,ノイズ率推定をサンプル選択手法に統合し,雑音の多いデータセットを扱う新しいノイズロバスト学習手法を提案する。 まず、損失値の分布に基づいて線形回帰を用いたデータセットの雑音率を推定する。 そして、この推定ノイズ率に基づいて潜在的ノイズサンプルを除外し、さらにスパース正規化を用いてディープラーニングモデルの堅牢性を向上させる。 提案手法は、3次元医用画像を含む2つのデータセットを含む5つのベンチマーク医用画像分類データセットで評価した。 提案手法は,既存のノイズロバスト学習法,特にノイズレートが非常に大きい場合の学習方法よりも優れることを示す。

関連論文リスト

• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• 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)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• Weak-signal extraction enabled by deep-neural-network denoising of diffraction data [26.36525764239897]
  深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。 ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-19T14:43:01Z)
• 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)
• Hard Sample Aware Noise Robust Learning for Histopathology Image Classification [4.75542005200538]
  病理組織像分類のための新しいハードサンプル認識型ノイズロバスト学習法を提案する。 本研究は, 難燃性難燃性試料と難燃性試料とを識別するため, 簡易・難燃性検出モデルを構築した。 本稿では,雑音抑圧・高強度化(NSHE)方式を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:07:55Z)
• 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)
• Joint self-supervised blind denoising and noise estimation [0.0]
  2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。 本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
  論文  参考訳（メタデータ） (2021-02-16T08:37:47Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。