一种基于标签噪声鲁棒学习的医学图像识别系统

本发明公开了一种基于标签噪声鲁棒学习的医学图像识别系统，在训练前校正中，提出了基于信心感知加权类原型的硬样本标签精化策略和有效的噪声样本联合校正方法对划分后的子集进行处理来获得更高质量的训练数据；在渐进式硬样本增强学习中，根据样本的学习难度输入数据进行训练，通过集成交叉熵损失、一致性损失、可信对比损失提高模型学习判别特征表示的能力，并减轻医学标签噪声的影响。本发明通过整合标签精化和渐进式硬样本增强学习技术，有效提高了噪声标签数据条件下的医学图像识别的准确性和鲁棒性，减轻了模型对噪声样本的过拟合，可用于训练数据存在噪声标签样本下疾病辅助诊断模型的正确搭建。