ハードサンプルを意識したノイズロバスト学習によるヒストパトロジー画像分類

深層学習に基づく組織病理画像分類は、医師ががん診断の正確性と迅速性を向上させるために重要な技術である。しかし、複雑な手動アノテーションプロセスにおいてノイズを含むラベルが避けがたく、分類モデルの学習を誤導する要因となる。本研究では、組織病理画像分類に向けた新しいハードサンプルに配慮したノイズロバスト学習手法を提案する。情報量の多いハードサンプルと有害なノイズサンプルを区別するため、サンプルの学習履歴を活用して「容易／ハード／ノイズ」（EHN）検出モデルを構築した。その後、このEHNモデルを自己学習アーキテクチャに統合し、段階的なラベル補正によってノイズ率を低減する。得られたほぼクリーンなデータセットを基に、さらにノイズ抑制とハードサンプル強化（NSHE）を実現する学習スキームを提案する。従来の手法と比較して、本手法はより多くのクリーンサンプルを保存でき、クリーンサブセットを必要とせずに現実世界のノイズを含むデータセットに直接適用可能である。実験結果から、合成データおよび実世界のノイズを含むデータセットの両方において、本手法は現在の最先端手法を上回ることを示した。ソースコードおよびデータは、https://github.com/bupt-ai-cz/HSA-NRL/ にて公開されている。