NVUM: Non-Volatile Unbiased Memory for Robust Medical Image Classification

要約

実世界の大規模医療画像分析（MIA）データセットには、3つの課題があります。1）トレーニングの収束と一般化に影響を与えるノイズの多いラベル付きサンプルが含まれている、2）通常、クラスごとのサンプルの分布が不均衡である、3）通常
サンプルが複数の診断を受ける可能性があるマルチラベル問題を構成します。
現在のアプローチは、これらの問題のサブセットを解決するように一般的に訓練されていますが、3つの問題に同時に対処する方法を認識していません。
この論文では、Non-Volatile Unbiased Memory（NVUM）と呼ばれる新しいトレーニングモジュールを提案します。これは、ノイズの多いマルチラベル問題での新しい正則化損失のモデルロジットの移動平均を不揮発性で保存します。
さらに、不均衡な学習問題に対するNVUM更新の分類予測の偏りをなくします。
この論文で提案された新しいベンチマークでNVUMを評価するために広範な実験を実行します。ここでは、Chest-Xray14とCheXpertによって形成されたノイズの多いマルチラベル不均衡胸部X線（CXR）トレーニングセットでトレーニングが実行され、テストは
マルチラベルCXRデータセットOpenIおよびPadChestをクリーンアップします。
私たちの方法は、すべての評価でノイズの多いラベルを処理できる以前の最先端のCXR分類器および以前の方法よりも優れています。
私たちのコードはhttps://github.com/FBLADL/NVUMで入手できます。

要約(オリジナル)

Real-world large-scale medical image analysis (MIA) datasets have three challenges: 1) they contain noisy-labelled samples that affect training convergence and generalisation, 2) they usually have an imbalanced distribution of samples per class, and 3) they normally comprise a multi-label problem, where samples can have multiple diagnoses. Current approaches are commonly trained to solve a subset of those problems, but we are unaware of methods that address the three problems simultaneously. In this paper, we propose a new training module called Non-Volatile Unbiased Memory (NVUM), which non-volatility stores running average of model logits for a new regularization loss on noisy multi-label problem. We further unbias the classification prediction in NVUM update for imbalanced learning problem. We run extensive experiments to evaluate NVUM on new benchmarks proposed by this paper, where training is performed on noisy multi-label imbalanced chest X-ray (CXR) training sets, formed by Chest-Xray14 and CheXpert, and the testing is performed on the clean multi-label CXR datasets OpenI and PadChest. Our method outperforms previous state-of-the-art CXR classifiers and previous methods that can deal with noisy labels on all evaluations. Our code is available at https://github.com/FBLADL/NVUM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google