基于差异的主动学习用于无线胶囊内镜图像中的弱监督出血分割
计算机视觉与模式识别
2023-08-11 v1
摘要
弱监督方法，如基于类激活图（CAM）的方法，已被应用于以低标注代价实现无线胶囊内镜（WCE）图像中的出血分割。然而，CAM 标签往往极其嘈杂，且对于医学图像而言，CAM 标签与真实标签之间存在不可弥补的差距。本文提出一种新的基于差异的主动学习（DEAL）方法，以通过少量标注弥合 CAM 与真实标签之间的差距。具体而言，为解放人力，我们设计了一种新颖的差异解码器模型和一个 CAMPUS（CAM、伪标签与真实标签选择）准则，以准确的模型预测和少量人工标签替代嘈杂的 CAM。差异解码器模型以独特方案训练，以生成标准、粗粒度和细粒度预测。并提出 CAMPUS 准则，基于模型发散度和 CAM 发散度预测 CAM 与真实标签之间的差距。我们在 WCE 数据集上评估了该方法，结果表明我们的方法优于最先进的主动学习方法，并且仅标注 10% 的训练数据时即可达到与使用全标注数据集训练相当的性能。
引用
@article{arxiv.2308.05137,
title = {Discrepancy-based Active Learning for Weakly Supervised Bleeding Segmentation in Wireless Capsule Endoscopy Images},
author = {Fan Bai and Xiaohan Xing and Yutian Shen and Han Ma and Max Q. -H. Meng},
journal= {arXiv preprint arXiv:2308.05137},
year = {2023}
}
备注
accepted by MICCAI 2022