論文の概要: QMix: Quality-aware Learning with Mixed Noise for Robust Retinal Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2404.05169v1
• Date: Mon, 8 Apr 2024 03:33:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 15:33:28.655414
• Title: QMix: Quality-aware Learning with Mixed Noise for Robust Retinal Disease Diagnosis
• Title（参考訳）: QMix:ロバスト網膜疾患診断のための混合ノイズによる品質認識学習
• Authors: Junlin Hou, Jilan Xu, Rui Feng, Hao Chen,
• Abstract要約: 混合雑音下での堅牢な疾患診断モデルを学習する,QMixと呼ばれる雑音学習フレームワークを提案する。 QMixは、5つのパブリック網膜画像データセット上で最先端の疾患診断性能を達成する。
• 参考スコア（独自算出の注目度）: 17.512436625806384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the complexity of medical image acquisition and the difficulty of annotation, medical image datasets inevitably contain noise. Noisy data with wrong labels affects the robustness and generalization ability of deep neural networks. Previous noise learning methods mainly considered noise arising from images being mislabeled, i.e. label noise, assuming that all mislabeled images are of high image quality. However, medical images are prone to suffering extreme quality issues, i.e. data noise, where discriminative visual features are missing for disease diagnosis. In this paper, we propose a noise learning framework, termed as QMix, that learns a robust disease diagnosis model under mixed noise. QMix alternates between sample separation and quality-aware semisupervised training in each training epoch. In the sample separation phase, we design a joint uncertainty-loss criterion to effectively separate (1) correctly labeled images; (2) mislabeled images with high quality and (3) mislabeled images with low quality. In the semi-supervised training phase, we train a disease diagnosis model to learn robust feature representation from the separated samples. Specifically, we devise a sample-reweighing loss to mitigate the effect of mislabeled images with low quality during training. Meanwhile, a contrastive enhancement loss is proposed to further distinguish mislabeled images with low quality from correctly labeled images. QMix achieved state-of-the-art disease diagnosis performance on five public retinal image datasets and exhibited substantial improvement on robustness against mixed noise.
• Abstract（参考訳）: 医用画像取得の複雑さとアノテーションの難しさにより、医用画像データセットには必然的にノイズが含まれている。 ラベルを間違えたノイズのあるデータは、ディープニューラルネットワークの堅牢性と一般化能力に影響を与える。 従来のノイズ学習手法は, ラベル付き画像から発生するノイズ, ラベル付き画像がすべて画質が高いことを前提として, ラベル付き画像から発生するノイズを主に考慮していた。 しかし、医療画像は、異常な品質の問題、すなわち、病気の診断に識別的視覚的特徴が欠落しているデータノイズに悩まされがちである。 本稿では,混合雑音下での堅牢な疾患診断モデルを学習する,QMixと呼ばれる雑音学習フレームワークを提案する。 QMixは、各トレーニングエポックにおけるサンプル分離と品質を意識した半教師付きトレーニングを交互に行う。 サンプル分離段階では,(1)正確なラベル付き画像,(2)高品質のラベル付き画像,(3)低品質のラベル付き画像とを効果的に分離するために,共同不確実性損失基準を設計する。 半教師付きトレーニングフェーズでは,分離したサンプルから頑健な特徴表現を学習するために,疾患診断モデルを訓練する。 具体的には、トレーニング中に低品質のラベル付き画像の効果を軽減するために、サンプルリライジング損失を考案する。 一方、低品質なラベル付き画像と正確なラベル付き画像とを区別するために、コントラスト強調損失を提案する。 QMixは、5つのパブリック網膜画像データセットで最先端の疾患診断性能を達成し、混合雑音に対する堅牢性を大幅に改善した。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• 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)
• 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)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)
• 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)
• Improving Medical Annotation Quality to Decrease Labeling Burden Using Stratified Noisy Cross-Validation [3.690031561736533]
  医用画像の診断における多様性は十分に確立されており、トレーニングにおける多様性と医療ラベルの課題への注意がこの問題を悪化させる可能性がある。 Noisy Cross-Validationはトレーニングデータを半分に分割し、コンピュータビジョンタスクの低品質ラベルを特定する。 本稿では, SNCV (Stratified Noisy Cross-Validation) について紹介する。
  論文  参考訳（メタデータ） (2020-09-22T23:32:59Z)
• 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)
• 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。