論文の概要: Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook

• arxiv url: http://arxiv.org/abs/2512.09315v1
• Date: Wed, 10 Dec 2025 04:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.395616
• Title: Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook
• Title（参考訳）: ノイズラベルを用いた実世界の医用画像分類のベンチマーク:課題,実践,展望
• Authors: Yuan Ma, Junlin Hou, Chao Zhang, Yukun Zhou, Zongyuan Ge, Haoran Xie, Lie Ju,
• Abstract要約: 医用画像におけるラベルノイズのベンチマークであるLNMBenchを紹介する。 実験の結果,既存のLNL法の性能は,高次・実環境騒音下で著しく低下することがわかった。 このような条件下でモデルロバスト性を高めるための,単純かつ効果的な改良を提案する。
• 参考スコア（独自算出の注目度）: 30.218602759241847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from noisy labels remains a major challenge in medical image analysis, where annotation demands expert knowledge and substantial inter-observer variability often leads to inconsistent or erroneous labels. Despite extensive research on learning with noisy labels (LNL), the robustness of existing methods in medical imaging has not been systematically assessed. To address this gap, we introduce LNMBench, a comprehensive benchmark for Label Noise in Medical imaging. LNMBench encompasses \textbf{10} representative methods evaluated across 7 datasets, 6 imaging modalities, and 3 noise patterns, establishing a unified and reproducible framework for robustness evaluation under realistic conditions. Comprehensive experiments reveal that the performance of existing LNL methods degrades substantially under high and real-world noise, highlighting the persistent challenges of class imbalance and domain variability in medical data. Motivated by these findings, we further propose a simple yet effective improvement to enhance model robustness under such conditions. The LNMBench codebase is publicly released to facilitate standardized evaluation, promote reproducible research, and provide practical insights for developing noise-resilient algorithms in both research and real-world medical applications.The codebase is publicly available on https://github.com/myyy777/LNMBench.
• Abstract（参考訳）: ノイズの多いラベルから学ぶことは、医用画像解析において依然として大きな課題であり、アノテーションは専門家の知識を必要とする。 ノイズラベルを用いた学習(LNL)の広範な研究にもかかわらず、医用画像における既存の手法の堅牢性は体系的に評価されていない。 このギャップに対処するために、医療画像におけるラベルノイズの総合的なベンチマークであるLNMBenchを紹介する。 LNMBenchは、7つのデータセットで評価されたtextbf{10}代表法、6つの画像モダリティ、3つのノイズパターンを含み、現実的な条件下での堅牢性評価のための統一的で再現可能なフレームワークを確立している。 包括的実験により,既存のLNL法の性能は,高次・実環境騒音下で著しく低下し,医用データにおけるクラス不均衡とドメイン変動性の持続的課題が浮き彫りにされた。 さらに, これらの条件下でのモデルロバスト性を高めるための, 単純かつ効果的な改良を提案する。 LNMBenchコードベースは、標準化された評価の促進、再現可能な研究の促進、研究および現実の医療アプリケーションの両方でノイズ耐性アルゴリズムを開発するための実践的な洞察を提供するために、公開された。このコードベースはhttps://github.com/myyy777/LNMBenchで公開されている。

関連論文リスト

• Beyond Classification Accuracy: Neural-MedBench and the Need for Deeper Reasoning Benchmarks [21.203358914772465]
  近年の視覚言語モデル (VLM) の進歩は, 標準医学ベンチマークにおいて顕著な性能を発揮しているが, その真の臨床推論能力は未だ不明である。 我々はニューラルメドベンチ(Neural-MedBench)について紹介する。これは、神経学におけるマルチモーダルな臨床推論の限界を調査するためのコンパクトで推論集約的なベンチマークである。
  論文  参考訳（メタデータ） (2025-09-26T12:20:01Z)
• Two-stage Deep Denoising with Self-guided Noise Attention for Multimodal Medical Images [8.643724626327852]
  本研究は,AI駆動の2段階学習戦略により,現代の認知的手法の限界に対処する。 提案手法はノイズ画像から残音を推定する。 ノイズアテンション機構を組み込んで、推定残音と雑音入力を相関させ、コース・トゥ・リファインディングでノイズアテンションを行う。
  論文  参考訳（メタデータ） (2025-03-10T01:26:47Z)
• Contrastive-Based Deep Embeddings for Label Noise-Resilient Histopathology Image Classification [0.0]
  ノイズラベルは 病理組織像の分類において 重要な課題です ディープニューラルネットワークはラベルノイズに容易に適合し、モデル性能が大幅に低下する。 自己教師型コントラスト法で訓練した基礎モデルから抽出した埋め込みのラベル雑音耐性特性を示す。
  論文  参考訳（メタデータ） (2024-04-11T09:47:52Z)
• Fairness-Aware Data Augmentation for Cardiac MRI using Text-Conditioned Diffusion Models [1.6581402323174208]
  本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。 我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。 本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-03-28T15:41:43Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• 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)
• 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)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。