一种用于医学图像分析的协同辅助标签校正方法

医学图像数据集中的标签往往存在噪声或错误标注，极大地影响了深度神经网络(DNNs)在医学图像分析中的性能。为了解决这一问题，本文提出了一种新颖的框架——协助标签校正网络(Co‑assistant Networks for Label Correction,CNLC)，用于同时检测和校正被破坏的标签。该框架由两个核心模块组成：噪声检测模块和噪声清理模块。噪声检测模块利用卷积神经网络(CNN)预测样本标签，并通过抗噪损失函数划分样本为干净、不确定和被破坏三类。噪声清理模块则基于图卷积网络(GCN)模型，对不确定和被破坏的样本标签进行修正，同时保持样本之间的局部拓扑关系。为了优化这两个模块的协作效果，本文设计了一种双层优化算法，使得标签检测和修正过程交替进行，最终提高了模型的鲁棒性和标签校正的准确性。在三个广泛使用的医学图像数据集上的实验结果表明，CNLC框架在处理标签噪声问题上显著优于当前的先进方法。