数据中心化筛选:面向医学图像分割的有效多中心数据集剪枝
计算机视觉与模式识别
2023-08-03 v1 人工智能
摘要
本文致力于解决密集标注问题中相当一部分数据集可在不牺牲过多精度的情况下被剪枝的现象。我们观察到,在标准医学图像分割基准上,图像分类中使用的基于单个训练样本损失梯度范数的指标无法识别重要样本。为解决此问题,我们提出一种数据剪枝方法,通过动态平均Dice(DAD)分数考虑目标区域的训练动态。据我们所知,我们是最早在医学图像分析领域解决密集标注任务中数据重要性问题的研究之一,做出了以下贡献:(1)通过严谨的实证分析探究其潜在原因;(2)确定密集标注问题中有效的数据剪枝方法。我们的方案可作为强大而简单的基线,用于从多源合并数据中筛选医学图像分割的重要样本。
引用
@article{arxiv.2308.01189,
title = {Data-Centric Diet: Effective Multi-center Dataset Pruning for Medical Image Segmentation},
author = {Yongkang He and Mingjin Chen and Zhijing Yang and Yongyi Lu},
journal= {arXiv preprint arXiv:2308.01189},
year = {2023}
}
备注
Accepted by ICML workshops 2023