在图像标签存在噪声且不平衡的情况下，对喉部病变进行稳健评估：一种经过交叉校验的通道-空间选择性核方法

《Neurocomputing》：Robust laryngeal lesion assessment with noisy and imbalanced image labels: A cross-corrected channel-spatial selective kernel method

　　摘要
使用接触性内镜-窄带成像（CE-NBI）对喉部病变进行准确诊断对于早期发现喉癌至关重要。然而，由于临床注释的主观性和数据集中固有的严重类别不平衡，准确诊断尤其具有挑战性。为此，本文提出了一种强大的学习方法，该方法结合了通道和空间选择性核网络（CS-SKNet）与交叉校正学习策略，用于喉部病变评估。所提出的CS-SKNet能够自适应地融合多尺度特征，并同时建模空间和通道之间的依赖性，从而精确定位具有区分性的血管和纹理模式。为了减轻噪声注释的不良影响，引入了交叉校正学习策略，通过相互监督动态识别和纠正潜在的错误标签。此外，采用动态焦点损失（DFL）在训练过程中自适应地平衡学习权重，有效缓解了组织病理学类别的长尾分布问题。在大规模CE-NBI数据集上的实验结果表明，与选定的基线模型相比，所提出的方法表现更优。在模拟标签噪声和Grad-CAM可视化下的进一步分析进一步证明了所提出方法的鲁棒性，并提供了其在评估的CE-NBI数据集上可解释性的初步证据。

引言
喉癌是上消化道最常见的恶性肿瘤之一，早期诊断在提高患者生存率和保持发声功能方面起着决定性作用[1]。在临床实践中，内镜检查仍然是喉部病变的主要筛查工具，诊断主要依赖于黏膜形态和微血管模式的视觉评估[2]。在可用的模式中，接触性内镜-窄带成像（CE-NBI）能够以细胞级分辨率实时可视化上皮下毛细血管环，为区分喉部病变提供关键线索[3][4]。因此，CE-NBI已成为早期喉癌诊断和组织病理学关联的重要参考标准。

随着计算机视觉技术的快速发展，使用内镜图像自动诊断喉部病变的研究兴趣日益增加[5][6][7]。标准卷积神经网络（CNN）由于具有强大的表示学习能力，在医学图像分类中取得了显著成就[8][9][10]。然而，标准CNN采用固定的感受野和统一的特征聚合[11][12]，这限制了它们有效捕捉CE-NBI图像中存在的异质形态特征和复杂微血管模式的能力。在临床场景中，喉部病变总是表现出显著的尺度变化、细微的纹理差异和复杂的血管结构[13][14]，这需要一个能够定位具有区分性的空间区域并强调信息性特征通道的诊断模型。尽管引入了注意力机制来增强特征表示[15][16]，但大多数现有方法分别关注空间[17]或通道[18]维度，缺乏协调的多尺度适应性。因此，开发一个同时建模空间和通道之间依赖性的统一注意力机制对于准确诊断喉部病变至关重要。

在临床实践中，CE-NBI图像注释的可靠性通常受到观察者间差异、病变边界模糊和细微病理差异的影响，导致训练数据中不可避免的标签噪声[19]。深度学习对噪声监督非常敏感，并且在训练过程中倾向于记住错误的标签，这显著降低了泛化性能和诊断可靠性[20][21][22]。在喉部病变评估中，这种问题更加突出，因为细粒度的视觉差异进一步放大了错误标记样本的不利影响。传统的训练策略将所有样本同等对待，无法区分可靠和错误的注释，从而导致决策边界的偏差[23][24]。因此，重新设计一种能够减轻噪声标签影响同时保留干净样本中区分性信息的强大学习策略至关重要。

现有的处理噪声标签的学习方法，如样本重新加权、损失校正和抗噪声损失函数，通常依赖于关于噪声分布的预定义假设或启发式标准来识别不可靠的样本[19][25][26]。然而，这些策略可能会无意中丢弃重要但有信息的样本，或者当噪声模式复杂且依赖于类别时引入额外的偏差，这在医学数据集中经常观察到[27]。此外，基于单一网络校正的方法容易受到确认偏倚的影响，模型在训练过程中逐渐强化自身的早期预测错误[28][29][30][31]。为了解决这些限制，采用一种相互监督机制来动态检测和纠正潜在的噪声标签是一种更有效的策略，从而降低错误积累的风险并提高学习过程的鲁棒性。

值得一提的是，喉部病变评估面临着类别不平衡的问题，某些病变类别代表性不足，细微的病理模式容易被忽略[32][33][34]。现有的解决方案通常可以分为数据级和损失级方法。数据级方法通过重采样或数据增强来增加少数类别样本的数量或多样性。例如，Qin等人[35]生成了相邻样本以缓解数据稀缺问题。然而，对于喉部病变评估，从有限数量的患者生成或重复采样图像可能无法引入足够的生物学多样性，并可能增加过拟合的风险。损失级方法通过调整训练样本的贡献来解决类别不平衡问题。标准交叉熵损失可能会使模型偏向多数类别[36][37]，而焦点损失则强调困难样本，但使用固定的调制方案[38]。因此，需要动态焦点损失（DFL）[39]来根据样本的学习难度和训练阶段自适应地调整它们的贡献。

为了解决上述挑战，本研究提出了一种在噪声和不平衡数据条件下进行喉部病变评估的强大诊断框架。首先，引入了通道和空间选择性核网络（CS-SKNet），通过联合建模通道级和空间级的注意力来增强特征表示，使网络能够动态调整感受野并捕获CE-NBI图像中的具有区分性的微血管和形态模式。其次，为了减轻噪声注释的影响，设计了一种交叉校正学习策略，其中两个具有相同架构但不同初始化的网络共同训练，以相互识别和过滤潜在的噪声样本。第三，采用DFL在训练过程中自适应地重新平衡类别贡献，从而改善长尾数据分布中少数类别的学习。在涵盖二元和16类诊断任务的大规模CE-NBI数据集上进行了广泛实验，这些实验涵盖了不同的噪声率。结果表明，所提出的框架对标签噪声具有良好的鲁棒性，提高了尾类别的识别性能，并即使在严重标签噪声下也能保持稳定的性能。本文的主要贡献如下：
1. 提出了基于CE-NBI的喉部病变评估的CS-SKNet。核心CS-SK块结合了通道级和空间级的选择性核学习，使网络能够自适应调整感受野，捕获内镜图像中的异质微血管和形态模式。
2. 开发了一种基于两个具有不同初始化的CS-SKNet之间相互监督机制的双网络交叉校正学习策略，用于过滤噪声注释。
3. 使用DFL机制通过自适应调整样本权重来减轻严重的类别不平衡。
4. 在CE-NBI数据集上的广泛实验表明，所提出的方法在二元和16类喉部病变分类任务中一致优于选定的基线和简化版本，并在不同水平的标签噪声下保持强大的鲁棒性。

本文的其余部分结构如下：第2节从数学上阐述了噪声标签学习问题。第3节介绍了所提出的CS-SK网络、交叉校正策略和动态损失函数。第4节介绍了实验设置、结果和消融研究。最后，第5节总结了这项工作。

章节片段
考虑一个带有噪声和不平衡标签的喉部内镜数据集，其中表示CE-NBI图像，表示其类别标签。例如，等于2，对应于良性类别和恶性类别。在现实的临床环境中，由于类别注释不正确，数据集通常包含噪声样本。假设数据集由个干净样本和个噪声样本（噪声率为）组成，诊断任务是学习一个映射函数，准确预测真实的生物学病理。

方法
在本节中，介绍了所提出的CS-SKNet和开发的带噪声标签的交叉校正学习策略。此外，还介绍了三种用于喉部病变诊断的评估指标。

数据采集
在本研究中，使用CE-NBI数据集[42]来验证所提出的CS-SKNet的性能。该数据集是第一个专门用于喉部接触内镜的公开可用存储库，包含来自210名患有病理性声带状况的成年患者的11,144张高分辨率内镜图像。这些图像是使用配备刚性望远镜和特定接触内镜适配器的先进内镜系统获取的。

结论
本文设计了一个强大的喉部病变评估框架，以应对医学成像中噪声标签和严重类别不平衡的关键挑战。通过结合通道和空间选择性核（CS-SK）网络与双流交叉校正训练策略，所提出的方法有效地分离了干净样本和噪声注释，并提取了高度具有区分性的多尺度血管特征。此外，引入了动态焦点损失（DFL）。

作者贡献声明
蔡华：写作——原始草稿、资金获取、概念化。
曹杰：软件。
邓超：调查、数据管理。
张宏：可视化。
马贵军：写作——原始草稿、项目管理。
钟仪：监督。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢
本研究得到了中国国家自然科学基金（Grant Number 82201301）的支持。蔡华于2014年在中国武汉华中科技大学获得临床医学博士学位，并于2020年在同一所大学获得耳鼻喉科学博士学位。她目前是武汉市华中科技大学同济医学院联合医院耳鼻喉科的主任医师（主治医师）。她的研究兴趣包括头颈部鳞状细胞癌（HNSCC）。

蔡华|曹杰|邓超|张宏|马贵军|钟仪
武汉华中科技大学同济医学院联合医院耳鼻喉科，湖北430022