打破壁垒：用于医学图像分割的选择性不确定性主动学习
计算机视觉与模式识别
2024-01-30 v1 人工智能
摘要
主动学习 (AL) 在医学图像分割中得到了广泛应用，旨在减轻标注负担并提升性能。传统基于不确定性的主动学习方法，如熵和贝叶斯方法，通常依赖于所有像素级指标的聚合。然而，在不平衡的设置下，这些方法往往忽略了目标区域（例如病变和肿瘤）的重要性。此外，基于不确定性的选择会引入冗余。这些因素导致性能不理想，并且在许多情况下，甚至不如随机采样。为解决此问题，我们引入了一种名为选择性不确定性主动学习的新方法，避免了将所有像素指标相加的传统做法。通过一个过滤过程，我们的策略优先考虑目标区域内和决策边界附近的像素。这解决了前述对目标区域的忽视和冗余问题。我们的方法在五种不同的基于不确定性的方法和两个不同的数据集上均显示出显著改进，使用更少的标注数据即可达到监督基线，并持续获得最高的整体性能。我们的代码可在 https://github.com/HelenMa9998/Selective\_Uncertainty\_AL 获取。
引用
@article{arxiv.2401.16298,
title = {Breaking the Barrier: Selective Uncertainty-based Active Learning for Medical Image Segmentation},
author = {Siteng Ma and Haochang Wu and Aonghus Lawlor and Ruihai Dong},
journal= {arXiv preprint arXiv:2401.16298},
year = {2024}
}