基于深度贝叶斯主动学习的相对标注无痂性结肠严重程度估计

基于图像的严重程度估计是计算机辅助诊断中的重要任务。深度学习的严重程度估计需要大量训练数据才能实现高性能。一般情况下，严重程度估计使用标记为离散（即分箱）严重程度标签的训练数据。对含有模糊严重程度图像的离散标签注释往往困难且成本高昂。相反，相对注释通过比较一对图像的严重程度来完成，可避免对严重程度进行量化，从而更容易实现。我们可以使用基于相对注释的学习排序框架来估计相对疾病严重程度，但相对注释面临着可注释的极大数量配对的问题。因此，合适配对的选择对于相对注释至关重要。本文提出了一种深度贝叶斯主动学习排序方法，用于自动选择相对注释的合适配对。我们的方法优先对来自样本模型不确定性的未标记配对进行注释。我们证明了将贝叶斯神经网络应用于两两学习排序的理论依据，并通过在炎症性结肠内窥镜图像上进行实验（包括私有数据集和公共数据集）展示了该方法的效率。我们还表明，在类别不平衡显著的情况下，我们的方法仍能实现高性能，因为它会自动从少数类样本中进行选择。