深度交互学习：一种用于基于深度学习的骨肉瘤治疗反应评估的高效标注方法
图像与视频处理
2021-01-06 v1 计算机视觉与模式识别
定量方法
摘要
骨肉瘤是最常见的恶性原发性骨肿瘤。标准治疗包括术前化疗和随后的手术切除。通过坏死肿瘤面积与总肿瘤面积之比衡量的治疗反应是已知的总体生存预后因素。目前，该评估由病理学家在显微镜下观察玻片手动完成，由于其主观性，可能不可重复。卷积神经网络（CNN）可用于在骨肉瘤全切片图像上自动分割存活肿瘤和坏死肿瘤。监督学习的一个瓶颈是训练需要大量精确标注，这是一个耗时且昂贵的过程。本文中，我们将深度交互学习（DIaL）描述为一种训练CNN的高效标注方法。在完成初始标注步骤后，标注者只需修正先前分割预测中标注错误的区域，即可改进CNN模型，直至获得满意的预测结果。我们的实验表明，使用DIaL仅通过7小时的标注训练的CNN模型，能够在非标准化的手工外科病理学任务中，以预期的观察者间变异率成功估计坏死比率。
引用
@article{arxiv.2007.01383,
title = {Deep Interactive Learning: An Efficient Labeling Approach for Deep Learning-Based Osteosarcoma Treatment Response Assessment},
author = {David Joon Ho and Narasimhan P. Agaram and Peter J. Schueffler and Chad M. Vanderbilt and Marc-Henri Jean and Meera R. Hameed and Thomas J. Fuchs},
journal= {arXiv preprint arXiv:2007.01383},
year = {2021}
}
备注
Accepted at MICCAI 2020