BoostMIS：通过自适应伪标注与信息性主动标注提升医学图像半监督学习
图像与视频处理
2022-03-22 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
本文提出一种名为 BoostMIS 的新型半监督学习（SSL）框架，其结合自适应伪标注与信息性主动标注以释放医学图像 SSL 模型的潜力：（1）BoostMIS 可根据当前学习状态自适应地利用未标注数据的聚类假设与一致性正则化。该策略可自适应地生成由任务模型预测转换而来的一热“硬”标签，用于更好的任务模型训练。（2）对于低置信度未选中的未标注图像，我们引入主动学习（AL）算法，通过利用虚拟对抗扰动与模型密度感知熵来寻找信息性样本作为标注候选。这些信息性候选随后被送入下一训练周期以更好地进行 SSL 标签传播。值得注意的是，自适应伪标注与信息性主动标注形成了一个相互协作以提升医学图像 SSL 的学习闭环。为验证所提方法的有效性，我们收集了一个转移性硬膜外脊髓压迫（MESCC）数据集，旨在优化 MESCC 诊断与分类以改善专科转诊和治疗。我们在 MESCC 和另一公开数据集 COVIDx 上对 BoostMIS 进行了广泛的实验研究。实验结果验证了我们的框架对不同医学图像数据集的有效性与泛化性，并相较多种最先进方法取得显著提升。
引用
@article{arxiv.2203.02533,
title = {BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling and Informative Active Annotation},
author = {Wenqiao Zhang and Lei Zhu and James Hallinan and Andrew Makmur and Shengyu Zhang and Qingpeng Cai and Beng Chin Ooi},
journal= {arXiv preprint arXiv:2203.02533},
year = {2022}
}
备注
11 pages