基于可适应任务优先级的主动学习
计算机视觉与模式识别
2022-12-06 v1
摘要
基于监督机器学习的医学图像计算应用需要专家标注，而未标注图像数据可能相对丰富。主动学习方法旨在对可用图像数据的子集进行优先级排序以供专家标注，从而实现标签高效的模型训练。我们开发了一个控制器神经网络，在批量模式主动学习中按批次序列度量图像优先级，用于多类分割任务。该控制器通过在同时优化任务预测器的马尔可夫决策过程（MDP）环境中奖励正向任务特定性能增益来进行优化。本工作中，任务预测器为分割网络。我们提出一种带多个 MDP 的元强化学习算法，使得预训练控制器可适配于包含来自不同机构数据且/或需要分割腹部不同器官或结构的新 MDP。我们利用来自千余名患者的多个 CT 数据集及九种不同腹部器官的分割任务展示所学习优先级控制器函数及其跨机构与跨器官的适应性。我们表明，相较于其他启发式或随机优先级指标，所提出的可适应优先级指标在训练未见的新类肾脏上，使用约 40% 至 60% 原本所需的标签即达到收敛的分割精度。对于规模有限的临床数据集，在肾脏与肝血管分割任务中，所提可适应优先级相较随机优先级与其他主动采样策略分别带来 22.6% 与 10.2% 的 Dice 分数性能提升。
引用
@article{arxiv.2212.01703,
title = {Active learning using adaptable task-based prioritisation},
author = {Shaheer U. Saeed and João Ramalhinho and Mark Pinnock and Ziyi Shen and Yunguan Fu and Nina Montaña-Brown and Ester Bonmati and Dean C. Barratt and Stephen P. Pereira and Brian Davidson and Matthew J. Clarkson and Yipeng Hu},
journal= {arXiv preprint arXiv:2212.01703},
year = {2022}
}