一种用于 CT 图像中 COVID-19 分割的弱监督基于区域的主动学习方法
图像与视频处理
2020-07-15 v1 计算机视觉与模式识别
摘要
在与冠状病毒（COVID-19）大流行作斗争的关键挑战之一是及时检测并量化疾病的严重程度。肺部计算机断层扫描（CT）可有效评估感染状态。遗憾的是，标注 CT 扫描可能耗费大量时间与精力，每次扫描可达 150 分钟。我们提出了一种可扩展、快速且准确的主动学习系统来应对这一挑战，该系统加速了 CT 扫描图像的标注。传统主动学习方法要求标注者以全监督方式标注整幅图像，但这可能导致精力浪费，因为许多标注可能是冗余的。因此，我们的系统向标注者呈现具有高信息量和低标注成本的未标注区域。此外，该系统允许标注者使用点级监督来标注区域，这比逐像素标注成本低得多。我们在开源 COVID-19 数据集上的实验表明，使用基于熵的方法对未标注区域排序比随机标注这些区域效果显著更好。同时，我们表明标注图像的小区域比标注整幅图像更高效。最后，我们展示仅用标注整个训练集所需 7% 的标注工作量，即可获得约 90% 的在完全标注训练集上训练模型所取得的性能。代码见：\url{https://github.com/IssamLaradji/covid19_active_learning}。
引用
@article{arxiv.2007.07012,
title = {A Weakly Supervised Region-Based Active Learning Method for COVID-19 Segmentation in CT Images},
author = {Issam Laradji and Pau Rodriguez and Frederic Branchaud-Charron and Keegan Lensink and Parmida Atighehchian and William Parker and David Vazquez and Derek Nowrouzezahrai},
journal= {arXiv preprint arXiv:2007.07012},
year = {2020}
}