MIA 2024 | 医学图像分析中标签噪声深度学习的综述

最新推荐文章于 2025-04-28 20:39:56 发布
最新推荐文章于 2025-04-28 20:39:56 发布
阅读量259 收藏
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 医学图像处理论文解读 文章标签： 深度学习 人工智能 MIA 论文解读 医学图像处理 医学图像顶刊
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/145404111

论文信息

题目：A survey of label-noise deep learning for medical image analysis
医学图像分析中标签噪声深度学习的综述
作者：Jialin Shi, Kailai Zhang, Chenyi Guo, Youquan Yang, Yali Xu, Ji Wu

论文创新点

  1. 提供了一个全面的综述：我们回顾了广泛的文献，并展示了一些典型方法，这在医学图像领域中尚属首次。

  2. 统一的分类：我们根据方法论差异，提出了一个统一的分类体系，这有助于更好地理解和比较不同的方法。

  3. 方法论比较：我们对现有的医学标签噪声学习（MLNL）方法进行了深入的比较和分析，这有助于揭示各种方法的优缺点。

  4. 新研究方向的提出：基于医学图像的特点，我们提出了几个有前景的未来研究方向，这可能推动该领域的发展。

  5. 对现有算法在医学图像领域的适用

了解本专栏 订阅专栏 解锁全文
MIA‘24 | 深度主动学习在医学图像分析中的全面综述
小白学视觉
01-19 145
深度学习在医学图像分析中取得了广泛的成功，导致对大规模专家标注的医学图像数据集的需求不断增加。然而，标注医学图像的高成本严重阻碍了这一领域深度学习的发展。为了降低标注成本，主动学习旨在选择最具信息量的样本进行标注，并用尽可能少的标注样本训练高性能模型。在这项调查中，我们回顾了主动学习的核心方法，包括信息量评估和采样策略。首次提供了主动学习与其他标签高效技术（如半监督、自监督学习等）整合的详细总结。我们还总结了特别针对医学图像分析的主动学习工作。
MIA 2024 | 从视觉到文本：医学诊断和放射学报告生成中的自然图像描述综述
小白学视觉
02-25 99
自然图像描述（Natural Image Captioning, NIC）是一个跨学科的研究领域，涉及计算机视觉（Computer Vision, CV）和自然语言处理（Natural Language Processing, NLP）的交叉。本文对NIC领域进行了综述，特别关注其在医学图像描述（Medical Image Captioning, MIC）和诊断描述（Diagnostic Captioning, DC）中的应用，尤其是在放射学领域。
标签噪声：综述 Learning from Noisy Labels with Deep Neural Networks: A Survey
doctor_strange****
09-19 1万+
Learning from Noisy Labels with DNN: Robust architecture, robust regularization, robust loss function, loss adjustment, sample selection
噪音标签工作总结
Winterfell01的博客
09-09 1469
本文介绍了噪声标签相关的基本概念和解决噪声标签问题的各种各样的方法及分类。
噪声标签学习 (Noise Label Learning)
gaesarGatt的博客
12-08 3044
噪声标签学习（Noise Label Learning，NLL）是指在训练机器学习模型时，标签数据存在误标或噪声（如错误的标签），导致模型的训练受到影响的问题。噪声标签问题通常出现在实际应用中，例如在大规模数据集或标注成本高昂的情况下，人工标注可能存在错误或不一致，造成标签噪声。噪声标签学习的目标是设计有效的算法，使得模型在面对标签噪声时，依然能够学习到有用的知识，并提高模型的鲁棒性。
人工智能中噪声数据的产生与处理方法详解
showswoller的博客
04-28 5887
人工智能中噪声数据的产生与处理方法详解
【学习笔记】标签噪声下利用深度学习进行图像分类任务——概述
Ace2NoU的博客
12-20 8116
论文地址 [1912.05170v1] Image Classification with Deep Learning in the Presence of Noisy Labels: A Survey (arxiv.org)https://arxiv.org/abs/1912.05170v1 Abstract 用于进行图像分类的神经网络需要大量的标记数据来进行适当的训练。但是，由于分类的困难和标记过程的高代价，使得标签噪声是数据集中普遍存在的问题。 众所周知，深度网络对标签噪声具有一定的鲁棒性..
MIA文献阅读 —— 深度学习在医学图像分析中的最新进展及临床应用【2024】_再现性；深度学习
2401_84181108的博客
05-03 293
auto−associator (Bourlard and Kamp, 1988)，是一种只有一个隐藏层的神经网络，它通过最小化输入与其从潜在表示重建之间的重建损失来学习输入数据的潜在特征表示。简单自编码器的浅层结构限制了其表示能力，而具有更多隐藏层的深层自编码器可以提高其表示能力。通过堆叠多个自编码器并以贪婪的分层方式优化它们，深度自编码器或堆叠自编码器(SAESAESAE)可以比浅层自编码器学习更复杂的非线性模式，从而更好地概括外部训练数据(Bengio等，2007)。SAESAE。
MIA文献阅读 —— 深度学习在医学图像分析中的最新进展及临床应用【2024】_再现性；深度学习(1)
2401_84181070的博客
05-03 122
uto−associatorauto−associator (Bourlard and Kamp, 1988)，是一种只有一个隐藏层的神经网络，它通过最小化输入与其从潜在表示重建之间的重建损失来学习输入数据的潜在特征表示。简单自编码器的浅层结构限制了其表示能力，而具有更多隐藏层的深层自编码器可以提高其表示能力。通过堆叠多个自编码器并以贪婪的分层方式优化它们，深度自编码器或堆叠自编码器(SAESAE。
标签噪声下的模型评估：如何准确评估AI模型的真实性能，提高模型性能测量的可信度
deephub
04-02 4776
通过本文的分析，我们深入探讨了标签噪声对模型性能评估的影响。我们得出几项关键结论：可能的真实准确率范围直接受真实标签错误率的影响；当模型错误与标签错误相互独立时，对于性能优于随机猜测的模型，其真实准确率通常高于测量值；然而在实际应用场景中，错误很少完全独立，因此模型的真实准确率往往更接近理论下限。理解这些关系对于正确评估模型性能和提高性能测量的可信度至关重要。作者：Krishna Rao。
《深度学习噪声标签学习》综述论文
07-22
在海量大数据的帮助下，深度学习在许多领域都取得了显著的成功。但是，数据标签的质量是一个问题，因为在许多现实场景中缺乏高质量的标签。
《标签噪声表示学习的研究:过去、现在和将来》
11-12
经典的机器学习隐含地假设训练数据的标签是从一个干净的分布中采样的，这对于真实的场景来说限制太大了。然而，基于统计学习的方法可能不能很好地训练深度学习模型。因此，迫切需要设计标签噪声表示学习(LNRL)方法对带噪声标签的深度模型进行鲁棒训练。为了充分了解LNRL，我们进行了综述。
Noise-label-generation-and-relabeling:在给定噪声率的情况下为数据集生成噪声标签，并使用重新标记算法对这些噪声标签进行重新标记
04-14
噪声标签生成和重新标记 在给定噪声率的情况下为数据集生成噪声标签，并使用重新标记算法对这些噪声标签进行重新标记 f1.test.py为all_tickets.csv数据集生成嘈杂的标签，使用“ body”作为特征，使用“ urgency”和“ ticket_type”作为预测标签。 我们假设'紧急'标签可能有一些嘈杂的标签，所以我们在'紧急'上添加了噪音。我们将48000数据拆分为火车数据集，将左侧的数据拆分为测试数据。在为'紧急'生成嘈杂标签's'之后，我们将' body。，'ticket_type'和's'到train_data.csv。在category.py中，我们生成重新标记的标签'relabel'并将其写入relabel.csv文件。除了门票数据集之外，我们还测试了其他数据集。 资料集 文件 结果文件夹 all_tickets.csv test.py 票 情绪训练 tes
label-noise-papers:与标签噪声表示学习相关的论文的最新列表在这里
05-19
标签噪音纸 该存储库包含在我们的调查“标签噪声表示学习的概览：过去，现在和未来”中提到的标签噪声表示学习（LNRL）论文。 我们将更新此论文列表，以定期包括新的LNRL论文。 引文 如果发现有帮助，请引用我们的论文。 @article{han2020survey, title={A survey of label-noise representation learning: Past, present and future}, author={Han, Bo and Yao, Quanming and Liu, Tongliang and Niu, Gang and Tsang, Ivor W and Kwok, James T and Sugiyama, Masashi}, year={2021} } 内容 记忆效果 自我训练 共同训练 超越记忆 其他 未来发展方向 新
标签噪声下的模型评估：你的模型真的在进步吗？
最新发布
Conan_0728的博客
04-28 1206
建立误差意识：永远假设标注存在误差实施持续监控：定期审计数据质量采用弹性评估：使用置信区间而非绝对数值未来方向动态误差估计系统自适应评估框架基于因果推断的误差分解。
TPAMI 2024 | 一种针对实例依赖噪声标签的时间一致性学习课程
小白学视觉
08-11 207
许多机器学习算法被证明对于简单的实例独立噪声标签是脆弱的。然而，现实世界数据中的噪声标签由于更复杂的机制以实例依赖的方式产生，因此更具破坏性。在本文中，我们针对实例依赖噪声标签这一实际挑战，通过联合训练：(1) 一个反向工程模型，该模型产生清洁标签后验与观察到的噪声标签之间的实例依赖映射；(2) 一个鲁棒分类器，它产生清洁标签后验。与先前的方法相比，前者模型是新颖的，并且能够直接从噪声标签中端到端地学习后者。
医图顶刊 TMI‘24 | 学习一个单一网络以实现对带有噪声标签的医学图像分割
xx_nm98的博客
12-02 1289
在医学成像中，由于获取高质量标注的困难，鲁棒地进行噪声标签分割是一个重要问题。尽管最近的进展取得了巨大的成功，但这些进展仍然需要多个网络来构建它们的框架，并且专注于有限的应用场景，导致在实际应用中的不灵活性。它们也没有明确考虑粗边界标签问题，导致次优结果。为了克服这些挑战，我们提出了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL）框架，用于噪声标签鲁棒分割。它实现了单一网络鲁棒学习，适用于2D和3D分割，在Set-HQ-knowable和Set-HQ-agnostic场景中。
深度学习中噪声标签的影响和识别
热门推荐
王尧的技术博客
08-22 1万+
问题导入在机器学习领域中，常见的一类工作是使用带标签数据训练神经网络实现分类、回归或其他目的，这种训练模型学习规律的方法一般称之为监督学习。在监督学习中，训练数据所对应的标签质量对于学习效果至关重要。如果学习时使用的标签数据都是错误的，那么不可能训练出有效的预测模型。同时，深度学习使用的神经网络往往结构复杂，为了得到良好的学习效果，对于带标签的训练数据的数量也有较高要求，即常被提到的大数据或海量数据
噪声标签学习（一）
麦田里的守望者
12-09 9446
噪声标签学习（一） 在有监督学习过程中，大量的准确标注的样本训练样本至关重要。但在实际应用过程中，标记数据往往需要大量的人力，物力财力。标注的数据质量某种程度上还受到人为主观因素的影响，导致实际获取的标注样本时常含有不定比例的标签噪声。然而，实验发现DNN在网络训练过程中，总是会学到标签噪声中的信息，对网络的性能带来干扰。为此，如何能够对标签噪声样本进行合理训练避免标签噪声对网络模型的训练带来干扰是近几年的又一个热门研究话题。 接下来将对了解到的几篇近期了解的相关方法进行一个概述： NIPS2018 ：Co
MATLAB实现医学图像分析的代码解析
标题中提到的“医学图像分析MATLAB代码”，意味着我们即将讨论的是一系列用MATLAB语言编写的程序或脚本，这些程序或脚本是专门用来处理和分析医学图像的。由于MATLAB具备丰富的工具箱（Toolboxes），在医学图像处理...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值