AITOP
论文

真实标签噪声下联邦医学图像分割基准套件：噪声标签学习方法选择

Federated Medical Image Segmentation under Real-World Label Noise: A Benchmark Suite for Noisy Label Learning Method Selection

arXiv cs.AI@Markus Bujotzek, Dimitrios Bounias, Stefan Denner, Ralf Floca, Maximilian Fischer, Peter Neher, Klaus Maier-Hein学术论文
阅读原文
精选理由

医学图像分割里标签噪声很头疼，这个基准套件专门测联邦学习下的真实场景，帮你挑最靠谱的去噪方法。

AI 摘要

该基准套件整合了来自不同来源的真实噪声医学图像分割数据集，并设计了多种客户端-噪声场景（如轮廓不一致、缺失结构、标签混淆）。它提供了针对标签噪声的评估指标，支持系统性的联邦噪声标签学习（FNLL）评估。代码已在GitHub上开源（MIC-DKFZ/FedSegNoiseBench），为公平比较和未来方法开发奠定基础。

AI 翻译 · 中文

该基准套件整合了来自不同来源的真实噪声医学图像分割数据集，并设计了多种客户端-噪声场景（如轮廓不一致、缺失结构、标签混淆）。它提供了针对标签噪声的评估指标，支持系统性的联邦噪声标签学习（FNLL）评估。代码已在GitHub上开源（MIC-DKFZ/FedSegNoiseBench），为公平比较和未来方法开发奠定基础。

arXiv cs.AIWhile federated learning (FL) enables collaborative medical image segmentation without centralizing sensitive data, real-world deployment is frequently complicated by cross-site label imperfections such as contour disagr…
#Federated Learning#Medical Image Segmentation#Noisy Label Learning#基准测试
阅读原文
← 返回首页看更多 AI 资讯