COLosSAL：面向 3D 医学图像分割冷启动主动学习的基准
计算机视觉与模式识别
2023-07-25 v1
摘要
医学图像分割是医学图像分析中的一项关键任务。近年来，基于深度学习的方法在完全标注数据集上训练时表现出卓越性能。然而，数据标注往往是一个重大瓶颈，尤其对于 3D 医学图像。主动学习（AL）是一种高效的标注解决方案，但需要一组初始标注样本来启动主动选择。当整个数据池均无标注时，我们如何选取样本作为初始集进行标注？这也被称为冷启动 AL，它仅允许在不访问先前标注数据的情况下，有一次机会向专家请求标注。冷启动 AL 在许多实际场景中高度相关，但研究不足，特别是对于需要大量标注工作的 3D 医学分割任务。在本文中，我们通过评估来自公共 Medical Segmentation Decathlon 集合的五个 3D 医学图像分割任务上的六种冷启动 AL 策略，提出了一个名为 COLosSAL 的基准。我们进行了深入的性能分析，并探讨了冷启动 AL 的重要开放问题，例如预算对不同策略的影响。我们的结果表明，冷启动 AL 对于 3D 分割任务仍是一个未解决的问题，但已观察到一些重要趋势。完整基准的代码仓库、数据划分和基线结果公开于 https://github.com/MedICL-VU/COLosSAL。
引用
@article{arxiv.2307.12004,
title = {COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical Image Segmentation},
author = {Han Liu and Hao Li and Xing Yao and Yubo Fan and Dewei Hu and Benoit Dawant and Vishwesh Nath and Zhoubing Xu and Ipek Oguz},
journal= {arXiv preprint arXiv:2307.12004},
year = {2023}
}
备注
Accepted by MICCAI 2023