深度神经网络(DNNs)在训练过程中容易受到标签噪声的影响，这会降低其泛化性能。医学图像的标注依赖于标注者的专业知识和经验，从而不可避免地引入了标签噪声。因此，本研究创新性地设计了一种对抗标签噪声的训练方法，同时突破了传统标签修正方法依赖于噪声比例的先验信息的局限。具体来说，本研究将自监督中的对比学习和注意力图像融合策略融入到传统的监督学习过程中。对比学习有助于增强DNNs在特征提取过程中的视觉表征能力，而注意力图像融合策略通过加权图像融合操作，构造出大量在一定程度上能抑制噪声的融合样本。有关的研究论文《Suppressing 在训练过程中容易受到标签噪声的影响，这会降低其泛化性能。医学图像的标注依赖于标注者的专业知识和经验，从而不可避免地引入了标签噪声。因此，本研究创新性地设计了一种对抗标签噪声的训练方法，同时突破了传统标签修正方法依赖于噪声比例的先验信息的局限。具体来说，本研究将自监督中的对比学习和注意力图像融合策略融入到传统的监督学习过程中。对比学习有助于增强DNNs在特征提取过程中的视觉表征能力，而注意力图像融合策略通过加权图像融合操作，构造出大量在一定程度上能抑制噪声的融合样本。相关研究论文《Suppressing label noise in medical image classification using mixup attention and self-supervised learning》最近发表在国际学术期刊《Physics in Medicine and Biology》上。
...
图4. 基于30%的均匀噪声模型，对比三种典型噪声标签学习方法分类特征的t-SNE可视化。
该论文的第一作者是MILab博士高孟娣，通讯作者为谢肇恒研究员。其他合作者包括北京大学的任秋实教授和南方科技大学的刘江教授等。该研究获得了国家自然科学基金（编号62394311、62394310）和深圳市自然科学基金（编号JCYJ20200109140820699）等项目的支持。 MILab已毕业博士博士高孟娣和南方科技大学姜泓羊博士是本文的共同第一作者，谢肇恒助理教授和南方科技大学的刘江教授为本文的共同通讯作者。其他合作者包括北京大学的任秋实教授等。该研究获得了国家自然科学基金（编号62394311、62394310）和深圳市自然科学基金（编号JCYJ20200109140820699）等项目的支持。
文章链接：https://iopscience.iop.org/article/10.1088/1361-6560/ad4083/meta