全切片图像语义分割中用于主动学习的自适应区域选择
计算机视觉与模式识别
2023-07-17 v1
摘要
为训练有监督分割模型而对组织学千兆像素级全切片图像（WSIs）进行像素级标注的过程十分耗时。基于区域的主动学习（AL）通过仅在有限数量标注图像区域上训练模型，而非请求整图标注。这些标注区域被迭代选择，旨在优化模型性能的同时最小化标注面积。标准的区域选择方法评估指定尺寸所有方形区域的信息量，然后选取特定数量最具信息量的区域。我们发现该方法效率高度依赖于 AL 步长（即区域大小与每 WSI 选中区域数的组合）的选择，次优 AL 步长会导致冗余标注请求或计算成本膨胀。本文引入一种自适应选择标注区域的新技术，减轻对该 AL 超参数的依赖。具体而言，我们动态确定每个区域：先识别信息性区域，再检测其最优边界框，而非如标准方法那样选择统一预定义形状与尺寸的区域。我们在公开 CAMELYON16 数据集的乳腺癌转移分割任务上评估方法，表明其在多种 AL 步长下始终比标准方法获得更高采样效率。仅标注 2.6% 的组织区域，我们即达到全标注性能，从而大幅降低 WSI 数据集标注成本。源代码见 https://github.com/DeepMicroscopy/AdaptiveRegionSelection。
引用
@article{arxiv.2307.07168,
title = {Adaptive Region Selection for Active Learning in Whole Slide Image Semantic Segmentation},
author = {Jingna Qiu and Frauke Wilm and Mathias Öttl and Maja Schlereth and Chang Liu and Tobias Heimann and Marc Aubreville and Katharina Breininger},
journal= {arXiv preprint arXiv:2307.07168},
year = {2023}
}