基于不确定性估计与动态样本选择的噪声标签尘肺分期方法OA
由于病变分期标准存在模糊性,不同诊断专家可能会得出不同的诊断结果,导致实例标签的噪声,即标签准确性受到观察者差异的影响。深度学习依赖于数据的质量,而这些带有噪声标签的数据往往会导致模型性能下降。为应对尘肺病分期中噪声标签带来的挑战,提出一种双分支动态样本选择策略。该方法通过在模型的关键层引入Monte Carlo Dropout(MC-Dropout),在关键层进行多次前向传播进行不确定性估计预测结果,同时将模型的预测概率与高斯混合模型(GMM)相结合洞察样本的特征空间分布,最终实现可选择的不确定性估计分支和高斯混合模型特征分布预测(FDP-GMM)分支。然后为每一个分支中每一个样本数据设立一个阈值,阈值随着模型训练的推进动量更新,最终依据该动态样本选择模块进行样本划分和差异化约束,减小噪声样本对模型的负面影响。在临床收集的尘肺病X光数据集上进行评估,实验结果表明,该方法在5%、10%、20%以及40%实例噪声比下的性能显著优于同类方法,证明其在噪声标签学习中的有效性和鲁棒性。
冯伟毅;任雪婷;王月莹;赵涓涓;强彦;王盈森;孔晓梅;赵慧兰
太原理工大学计算机科学与技术学院(大数据学院),山西太原030024太原理工大学计算机科学与技术学院(大数据学院),山西太原030024太原理工大学计算机科学与技术学院(大数据学院),山西太原030024太原理工大学计算机科学与技术学院(大数据学院),山西太原030024 太原理工大学软件学院,山西太原030024太原理工大学计算机科学与技术学院(大数据学院),山西太原030024 中北大学软件学院,山西太原030051中国电力科学研究院有限公司,北京100089山西医科大学第一医院呼吸与危重症医学科,山西太原030001山西省煤炭中心医院PET/CT室,山西太原030002
信息技术与安全科学
噪声标签学习尘肺分期不确定性估计样本选择医学图像分类
《计算机工程》 2026 (7)
P.411-420,10
国家自然科学基金重点项目(U21A20469)国家卫生健康委尘肺病重点实验室开放课题(YKFKT004)国家自然科学基金(62376183)山西省大健康产业高质量发展科研专项课题(DJKZXKT2023008)山西省科技创新人才团队专项(202304051001009)。
评论