基于一致性的半监督证据主动学习用于诊断放射图像分类
计算机视觉与模式识别
2022-09-07 v1 人工智能
机器学习
摘要
深度学习方法在放射图像分类中达到最优性能，但依赖需专家进行资源密集型标注的大规模标注数据集。半监督学习与主动学习均可用于缓解该标注负担。然而，结合半监督与主动学习优势用于多标签医学图像分类的工作有限。本文我们引入一种新颖的基于一致性的半监督证据主动学习框架（CSEAL）。具体而言，我们利用基于证据理论与主观逻辑的预测不确定性，开发了一种端到端集成方法，将基于一致性的半监督学习与基于不确定性的主动学习结合。我们将该方法应用于增强四种领先的基于一致性的半监督学习方法：伪标注（Pseudo-labelling）、虚拟对抗训练（VAT）、均值教师（Mean Teacher）与 NoTeacher。在多标签胸部 X 光分类任务上的大量评估表明，CSEAL 相比两种领先的半监督主动学习基线取得了实质性性能提升。此外，按类别细分的结果显示，我们的方法能用更少标注样本大幅改善罕见异常的准确率。
引用
@article{arxiv.2209.01858,
title = {Consistency-Based Semi-supervised Evidential Active Learning for Diagnostic Radiograph Classification},
author = {Shafa Balaram and Cuong M. Nguyen and Ashraf Kassim and Pavitra Krishnaswamy},
journal= {arXiv preprint arXiv:2209.01858},
year = {2022}
}
备注
Preprint submitted to MICCAI. Accepted in May 2022