MEDICINE & AI

タイトル：Unleashing the potential of open-set noisy samples against label noise for medical image classification 雑誌名：Med Image Anal. 2025 Oct; 105: 103702. 概　要： 医療画像分類におけるクローズドセットとオープンセットのラベルノイズの共存に対処することは、未だ十分に探求されていない課題です。医療画像は高いクラス間類似性により、オープンセットのノイズサンプルの特定が特に困難です。本研究では、ENCOFA（Extended Noise-robust Contrastive and Open-set Feature Augmentation）フレームワークを提案し、オープンセットのノイズサンプルを拡張クラスとして扱い、ラベルの信頼性に基づいてコントラストペアに重み付けを行うことで、ラベルノイズに対するロバスト性を向上させます。さらに、オープンセットサンプルを機能レベルで強化し、動的にクラスラベルを割り当てるモジュールを開発しました。このフレームワークは、合成ノイズデータセット2つと実世界のノイズデータセット1つで評価され、ENCOFAが最先端の6つの手法を上回る優位性を示しました。 方　法： 本研究は、医療画像分類におけるラベルノイズ軽減のために、ENCOFAフレームワークを提案しました。このフレームワークは、拡張ノイズ耐性教師ありコントラスト損失を導入し、クラス間の特徴の識別を強化します。また、オープンセットサンプルを機能レベルで強化し、動的にクラスラベルを割り当てるモジュールを開発しました。評価は、2つの合成ノイズデータセットと1つの実世界のノイズデータセットで行われました。 結　果： ENCOFAフレームワークは、提案された方法が最先端の6つの手法に対して優れた性能を示すことを確認しました。特に、オープンセットのノイズサンプルを明示的に活用することで、ラベルノイズに対抗する効果が強調されました。 結　論： ENCOFAフレームワークは、医療画像分類におけるラベルノイズの軽減において、オープンセットノイズサンプルを効果的に活用する可能性を示しました。このアプローチは、医療画像分類の精度向上に寄与することが期待されます。