[MICCAI2019] Pick-and-Learn: Automatic Quality Evaluation for Noisy-Labeled Image Segmentation

最新推荐文章于 2024-04-17 09:42:19 发布
最新推荐文章于 2024-04-17 09:42:19 发布
阅读量1.2k 收藏 4
点赞数 1
分类专栏： 论文笔记 MICCAI2019
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_26020233/article/details/100534262
版权
该研究提出了一种名为Pick-and-Learn的方法，用于医学图像分割任务中自动评估标注质量。通过QAM模块对样本标注质量打分，OCM模块控制过拟合，确保网络在训练过程中合理分配不同质量标注样本的权重。实验结果显示，这种方法能够有效区分并调整干净样本和噪声样本的权重，提高模型的训练效果。
摘要由CSDN通过智能技术生成

作者信息
Haidong Zhu, Tsinghua 电机系
文章针对医学影像中标注质量的痛点进行了探究，pick & learn，顾名思义，文章用到的解决方法为：对每个mini-batch中样本的标注质量进行评分，然后根据标注质量高低对相应样本的loss进行加权，得到mini-batch的最终loss后再反向传播，更新网络。

Method

如下为方法框图，包含3个主要模块：segmentation module，quality awareness module（QAM），overfitting control module （OCM）
在这里插入图片描述

QAM（quality awareness module）

QAM是与segmentation module平行的分支，它的输入为图像+label（n+1通道数），结构为VGG网络，最后一层为average pooling（AVP）层，输出batch中每个sample 的 标注质量分数，再接上一个 softmax 层，使得一个batch中分数总和为1.

最低0.47元/天 解锁文章
Study Group Learning: ImprovingRetinal Vessel Segmentation Trained with Noisy Labels学习笔记（有代码）-仅自用
weixin_67138138的博客
06-05 740
针对视网膜血管疾病，能够提供高质量的增强图像，以获得更好的可视化，并从复杂的、有噪声的图像中合理地分割出血管
拆分体提示工具未形成相交_（二十九：2021.01.10）MICCAI 2019 追踪之论文纲要（下）...
weixin_36361396的博客
01-17 467
123.PRSNet: Part Relation and Selection Network for Bone Age AssessmentPRSNet：用于骨龄评估的零件关系和选择网络124.Mask Embedding for Realistic High-Resolution Medical Image Synthesis掩膜嵌入可实现逼真的高分辨率医学图像合成125.TUNA-Net: ...
【论文粗读】Pick-and-Learn: Automatic Quality Evaluationfor Noisy-Labeled Image Segmentation
weixin_45648030的博客
07-11 224
MICCAI2019 :Pick-and-Learn: Automatic Quality Evaluation for Noisy-Labeled Image SegmentationMICCAI2019 :选择-学习:噪声标记图像分割的自动质量评估参考博客：[MICCAI2019] Pick-and-Learn: Automatic Quality Evaluation for Noisy-Labeled Image Segmentation深度学习方法在许多领域都取得了很好的效果，但在训练过程中，它们
Learning with Noisy Labels for Robust Point Cloud Segmentation
weixin_37592611的博客
08-10 563
Learning with Noisy Labels for Robust Point Cloud Segmentation 自己理解，仅供参考 Contributions: 本文是第一篇针对点云噪音标签问题提出解决方案的文章，本文提出了一种新颖的噪音点自适应学习框架，用于解决点云分割中存在噪音标签数据的问题。针对错误的groundtruth数据，文中首先提出了基于以前的预测结果（分割结果）的逐点置信选择（即判断该店的标签是否正确），然后提取聚类的标签纠正方法，通过投票选择最佳点的标签作为纠正后的标签。 P
文献阅读：Characterizing Label Errors: Confident Learning for Noisy-Labeled Image Segmentation
qq_45697032的博客
10-13 726
噪声标签，图像分割，自信学习
论文笔记：Learning with Noisy Labels for Sentence-level Sentiment Classification
qq_40206371的博客
04-15 1080
emnlp 2019 0 摘要 深度神经网络 (DNN) 可以很好地拟合（甚至过度拟合）训练数据。 如果 DNN 模型使用带有噪声标签的数据进行训练，并在带有干净标签的数据上进行测试，则该模型可能表现不佳。 本文研究了使用噪声标签进行句子级情感分类的学习问题。 我们提出了一种新的 DNN 模型，称为 NETAB（作为带有 AB 网络的卷积神经网络的简写）来处理训练期间的噪声标签。 NETAB 由两个卷积神经网络组成，一个具有噪声转换层，用于处理输入噪声标签，另一个用于预测“干净”标签。 ...
TNSCUI2020-Seg-Rank1st:这是MICCAI 2020 TN-SCUI挑战中分割任务的第一名解决方案的源代码
05-15
MICCAI 2020 TN-SCUI挑战中的第一名 这是2020年TN-SCUI挑战中的分段任务（IoU为82.54％）的第一名解决方案的源代码。 [] [] 我们解决方案的管道 我们使用一个简单的级联框架来分割结节，它可以很容易地扩展到其他单...
Left Ventricle Image Dataset by MICCAI2019 MICCAI 2019左心房医学图像数据集-数据集
03-19
The dataset is from MICCAI 2019 Challenge. 本数据集由MICCAI 2019出品。 leftventricleimage_test_datasets.zip TestData_LVQuan19_Description.pdf
leetcode分类-MICCAI-AUTHOR-STATS:在这个项目中，我对MICCAI2010-2018的所有论文进行了调查，以寻找学者
06-30
MICCAI-AUTHOR-STATS 两步做出学术关系图 新进入一个学术圈子怎么办？ 各个杂志/会议上的大佬作者们是存在一个关系网的。通常我们把这种关系网称为学术圈，它客观存在且在领域内影响很大。但对于新进入领域的萌新...
Learn_Noisy_Labels_Medical_Images:[NeurIPS 2020]在医学图像分割中将人为错误与地面真相区分开来
05-19
该存储库包含2020年NeurIPS 2020年论文的PyTorch实施。 是Python代码的主要开发人员。 是数据模拟代码的主要开发者。 如何使用我们的代码进行进一步研究 我们建议尝试使用的toy-example来了解管道，这是MNIST的简化主要功能，类似于 ， ， 和其他主要功能。 如果您想将我们的代码应用于您自己的医疗数据集： 在MNIST_example.ipynb之后，您可能想用自己的数据加载器替换数据加载器，以进行首选的预处理。 可以在找到数据加载器的 ，即CustomDataset_punet。 如果您要插入建议的损失函数并尝试： 损失函数在Loss.py中实现为noisy_label_loss。 如果要使我们的Run.py适应您的应用程序，则需要准备以特定方式存储的数据： data_path ='/ ... / ... / all_of_datasets
Learning with noisy labels总结
热门推荐
ferriswym的博客
04-26 1万+
Learning with noisy labels总结Deep Label Distribution Learning With Label AmbiguityJoint Optimization Framework for Learning with Noisy Labels欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入...
【论文精读】 使用空间梯度和噪声分割标签（伪标签）的深度学习配准
过招
06-28 1345
Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal) Théo Estienne, et al. “Deep Learning-Based Registration Using Spatial Gradients and Noisy Segmentation Labels.” MICCAI 2020 Abstract I
置信学习寻找噪音样本(noisy label)在NLP任务中的实践
HGlyh的博客
05-06 2570
置信学习寻找噪音样本(noisy label)在NLP任务中的实践
探索Awesome-Noisy-Labels：应对标注噪声的有效工具
最新发布
gitblog_00082的博客
04-17 399
探索Awesome-Noisy-Labels：应对标注噪声的有效工具 去发现同类优质开源项目:https://gitcode.com/ 在机器学习和深度学习领域中，高质量的标签数据是模型训练的基础。然而，实际操作中，由于各种原因，数据往往存在噪声，这会显著影响模型性能。是一个专门针对此类问题的开源项目，它集成了多种处理和校正带有噪声标签的数据集的方法，以提升模型的鲁棒性。 项目简介 Awesome...
从噪声标签中学习
xys430381_1的专栏
09-25 898
综述：Image classification with deep learning in the presence of noisy labels: A survey-2019 对应的解读：学习噪声(Deep Learning Noisy Labels) Resource： Awesome-Learning-with-Label-Noise https://github.com/gorkemalgan/deep_learning_with_noisy_labels_lit
MICCAI2019-partI部分论文概览
ahaZeng的博客
06-20 1565
MICCAI2020-partI部分论文概览1.Retinal Abnormalities Recognition Using Regional Multitask Learning任务背景：做法：2.Dual Encoding U-Net for Retinal Vessel Segmentation任务背景：做法：3.Multi-scale Microaneurysms Segmentation Using Embedding Triplet Loss任务背景：做法： 1.Retinal Abnorma
[MICCAI2019] Learning shape priors for robust cardiac MR segmentation from multi-view images
xby的学习笔记存档处
09-08 774
MICCAI2019 Oral 作者信息 Chen Chen, Biomedical Image Analysis Group, Imperial College London 贡献： 设计了Shape MAE（Multi-View Auto Encoder）结构来学习多视角下心脏形状的latent 表达 设计了分割网络 Multi-View Unet，能够结合MAE学习到的解剖形状的先验知识，...
《MICCAI2019》Learning Cross-Modal Deep Representations for Multi-Modal MR Image Segmentation
码农小菜鸡
02-12 1426
传统CNN的多模态MR图像分析通常是一层或者多层的简单融合（通过简单的求和或者拼接） 针对上述问题，本文的创新点： 在监督的情况下进行图像的融合，即根据不同模式的信息来进行特征选择 具体步骤：挑选不同模式中对预测结果贡献程度最大的作为主模式，并且以此监督其他模式下的信息选择 背景： 不同模态对于病变的检测侧重点不同，存在局限性： 1.contrast-enhanced MRI：检测乳腺病变具有很高...
Noisy Matrix Decomposition via Convex Relaxation: Optimal Rates in High Dimensions
weixin_30877227的博客
07-23 131
NoisyMatrixDecompositionviaConvexRelaxation:Optimal Rates in High Dimensions 摘要：这篇论文主要讨论了一类凸松弛的矩阵分解问题。这类问题适用于很多统计模型：如成分分析，多任务回归和鲁棒协方差估计。作者使用了一个条件更弱的“尖刺度量”（spikiness）来取代传统的“不相干度量”（incohere...
WSISPDR：MICCAI2019弱监督细胞实例分割技术解析
以及"miccai"和"miccai-2019"，指明了研究发表的会议平台和年份。 压缩包子文件的文件名称列表中包含"WSISPDR-master"，这表明了项目的版本信息以及主分支的标识。这通常意味着该压缩包包含了项目的源代码、文档和...
评论 2
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
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
>