論文の概要: Imbalanced Medical Image Segmentation with Pixel-dependent Noisy Labels

• arxiv url: http://arxiv.org/abs/2501.06678v1
• Date: Sun, 12 Jan 2025 00:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:28:22.779718
• Title: Imbalanced Medical Image Segmentation with Pixel-dependent Noisy Labels
• Title（参考訳）: 画素依存型ノイズラベルによる医用画像の非バランス化
• Authors: Erjian Guo, Zicheng Wang, Zhen Zhao, Luping Zhou,
• Abstract要約: クラス不均衡な画素依存雑音ラベルに対処するために,CLCS(Collaborative Learning with Curriculum Selection)を提案する。 CLCSはCNS(Curriculum Noisy Label Sample Selection)とNBL(Noss Balance Loss)の2つのモジュールで構成される。
• 参考スコア（独自算出の注目度）: 23.049622621090453
• License:
• Abstract: Accurate medical image segmentation is often hindered by noisy labels in training data, due to the challenges of annotating medical images. Prior research works addressing noisy labels tend to make class-dependent assumptions, overlooking the pixel-dependent nature of most noisy labels. Furthermore, existing methods typically apply fixed thresholds to filter out noisy labels, risking the removal of minority classes and consequently degrading segmentation performance. To bridge these gaps, our proposed framework, Collaborative Learning with Curriculum Selection (CLCS), addresses pixel-dependent noisy labels with class imbalance. CLCS advances the existing works by i) treating noisy labels as pixel-dependent and addressing them through a collaborative learning framework, and ii) employing a curriculum dynamic thresholding approach adapting to model learning progress to select clean data samples to mitigate the class imbalance issue, and iii) applying a noise balance loss to noisy data samples to improve data utilization instead of discarding them outright. Specifically, our CLCS contains two modules: Curriculum Noisy Label Sample Selection (CNS) and Noise Balance Loss (NBL). In the CNS module, we designed a two-branch network with discrepancy loss for collaborative learning so that different feature representations of the same instance could be extracted from distinct views and used to vote the class probabilities of pixels. Besides, a curriculum dynamic threshold is adopted to select clean-label samples through probability voting. In the NBL module, instead of directly dropping the suspiciously noisy labels, we further adopt a robust loss to leverage such instances to boost the performance.
• Abstract（参考訳）: 正確な医用画像のセグメンテーションは、医用画像の注釈付けの難しさから、トレーニングデータのノイズラベルによって妨げられることが多い。 ノイズラベルに対処する以前の研究は、ほとんどのノイズラベルのピクセル依存性を見越して、クラス依存の仮定を行う傾向がある。 さらに、既存の手法は通常、ノイズのあるラベルをフィルタリングするために固定しきい値を適用し、マイノリティクラスを削除し、結果としてセグメンテーション性能を低下させる。 これらのギャップを埋めるため、我々はCLCS(Collaborative Learning with Curriculum Selection)というフレームワークを提案し、クラス不均衡で画素依存ノイズラベルに対処した。 CLCSは既存の作業を進歩させる 一 ノイズラベルを画素依存として扱い、協調学習の枠組みにより対応すること。 二 モデル学習の進捗に適応し、クラス不均衡問題を緩和するためにクリーンなデータサンプルを選択するためのカリキュラム動的しきい値付けアプローチを採用すること。 三 ノイズバランスの損失をノイズデータサンプルに適用して、データをそのまま廃棄するのではなく、データ利用を改善すること。 具体的には,CNS (Curriculum Noisy Label Sample Selection) とNBL (Noss Balance Loss) の2つのモジュールを含む。 CNSモジュールでは、協調学習のための2分岐ネットワークを設計し、同一インスタンスの異なる特徴表現を異なる視点から抽出し、画素のクラス確率を投票するために使用した。 さらに、統計投票によってクリーンラベルのサンプルを選択するために、カリキュラムのダイナミックしきい値が採用されている。 NBLモジュールでは、疑わしいノイズのあるラベルを直接削除する代わりに、そのようなインスタンスを活用してパフォーマンスを高めるために、ロバストな損失を採用する。

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)
• Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
  そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。 手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。 本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-04-10T07:34:37Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Joint Class-Affinity Loss Correction for Robust Medical Image Segmentation with Noisy Labels [22.721870430220598]
  ノイズラベルは 医用画像分割アルゴリズムが 正確な意味的相関を 学習するのを防いでいる 画素ワイズとペアワイズの両方を取り入れたノイズ緩和のための新しい視点を提案する。 医用画像のセグメンテーションにおけるラベルノイズ問題に対処する頑健なジョイントクラスアフィニティ(JCAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T08:19:33Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)
• Alleviating Noisy-label Effects in Image Classification via Probability Transition Matrix [30.532481130511137]
  ディープラーニングに基づく画像分類フレームワークは、しばしば、サーバ間変動に起因するノイズの多いラベル問題に悩まされる。 本稿では,ノイズ無視ブロック (NIB) と呼ばれるプラグインモジュールを提案する。 我々のNIBモジュールは、最先端の堅牢なトレーニング手法の性能を一貫して改善します。
  論文  参考訳（メタデータ） (2021-10-17T17:01:57Z)
• 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)
• CCML: A Novel Collaborative Learning Model for Classification of Remote Sensing Images with Noisy Multi-Labels [0.9995347522610671]
  CNNモデルのトレーニングフェーズにおけるマルチラベルノイズの悪影響を軽減するために,CCML(Consensual Collaborative Multi-Label Learning)法を提案する。 CCMLは、4つのメインモジュールに基づいてRS画像の騒々しいマルチラベルを特定し、ランク付けし、修正します。
  論文  参考訳（メタデータ） (2020-12-19T15:42:24Z)
• 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)

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。