医学影像分析中的噪声标签深度学习技术探究与研究
本研究分析了不同类型的标签噪声对深度学习的影响，提出了一种基于特征相关性的标签噪声生成方法，并提供了常用基准数据集的标签噪声以便其他研究人员测试其算法。
Mar, 2020
本文综述了深度学习中标签噪声的学习问题，提供了62种最新的鲁棒训练方法，并系统性比较了六个评估指标。同时，分析了噪声估计率和评估方法，并提出了未来的几个研究方向。
Jul, 2020
本文调查了超过300篇最近的论文，提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述，并深入研究了标准的半监督、自监督和多实例学习方案，以及最近出现的积极的和注释有效的学习策略。此外，文章还具有独特的特点，详细分析了领域中的当前挑战，并提出了未来研究的潜在途径。
Mar, 2023
噪声标签对基于深度学习的监督图像分类性能有负面影响，而自监督预训练权重的模型初始化可以减少特征损坏并提高分类性能，但尚未探索其他自监督方法对噪声标签的影响以及医学图像中仅使用自监督预训练方法对噪声标签的影响。本研究探索了对两个医学数据集进行对比和预备任务的自监督预训练，用于初始化深度学习分类模型的权重，结果显示使用自监督学习获得的预训练权重可以有效学习更好的特征，并提高对噪声标签的鲁棒性。
Aug, 2023
本文介绍一种新的噪声鲁棒学习方法，将噪声率估计整合到样本选择方法中，以处理有噪声的数据集，首先根据损失值的分布使用线性回归估计数据集的噪声率，然后根据估计的噪声率排除可能有噪声的样本，并进一步使用稀疏正则化来提高我们的深度学习模型的鲁棒性，实验证明我们的方法在处理具有较大噪声率的数据集时优于其他现有的噪声鲁棒学习方法。
Dec, 2023
通过分析弱监督学习在医学图像领域的限制以及约束条件对疾病分类性能的影响，本研究揭示了模型对噪声数据的容忍度、训练数据量的影响以及二元和多标签分类之间的性能差异。结果表明，模型可以在添加10%标签错误之前保持疾病分类的性能，随着训练数据量的增加，各种疾病类别的分类性能稳步提升，但在75%训练数据量时性能趋于平稳，同时二元模型在每个疾病类别上优于多标签模型，然而这些解释可能具有误导性，因为二元模型受到共同出现的疾病的影响，并未学习到图像中疾病的具体特征。综上所述，本研究有助于医学图像领域理解弱监督学习和噪声标签的优势和风险，同时也表明了构建多样化的大规模数据集以及开发可解释和负责任的人工智能的需求。
Feb, 2024
医学图像分类数据集中的标签噪声严重影响了受监督深度学习方法的训练，削弱了其泛化能力。本文研究了 Vision Transformer (ViT) 相对于 CNN 的鲁棒性，以及其处理医学图像分类中标签噪声的能力，并使用两个医学图像分类数据集进行了实验验证。
Feb, 2024
通过对深度学习的医学预测问题中的标签噪声管理进行全面审查，包括标签噪声检测、标签噪声处理和评估，本文提供了一系列实用问题的研究结果，其中包括标签噪声的来源、影响、检测、处理技术以及它们的评估，还提供了标签噪声检测方法和处理技术的分类。
Mar, 2024
对于计算机视觉任务尤其是图像分类任务，本综述全面回顾了应对噪声标签的不同深度学习方法的演变，研究了不同的噪声模式，并提出了一种由现实世界数据引导的算法来生成合成标签噪声模式，以形成一个新的以真实世界数据为指导的合成基准，并在该基准上评估了一些典型的噪声鲁棒方法。
Apr, 2024