DSAL：面向生物医学图像分割的强标注者与弱标注者深度监督主动学习

在包括显微镜和X射线在内的医疗物联网(Internet-of-Medical-Things, IoMT)领域中，图像分割是最基本的生物医学图像处理问题之一。然而，生物医学图像标注是知识驱动的、耗时且劳动密集的，使得以有限成本获取大量标注十分困难。主动学习策略得以缓解人工标注负担，其仅查询训练数据的子集进行标注。尽管受到关注，大多数主动学习方法通常仍需要巨大的计算成本且未有效利用无标签数据。它们也往往忽略网络中的中间知识。本工作中，我们提出一种深度主动半监督学习框架DSAL，结合主动学习与半监督学习策略。在DSAL中，提出一种基于深度监督机制的新准则，分别为强标注者和弱标注者选择具有高不确定性和低不确定性的信息样本。该内部准则利用深度学习网络内中间特征的分歧进行主动样本选择，从而降低了计算成本。我们使用所提准则为强标注者和弱标注者选择样本，以集成学习的方式在每次主动学习迭代中同时产生真值标签和伪标签，并可在IoMT平台上进行验证。在多个医学图像数据集上的大量实验证明了所提方法相对于最先进主动学习方法的优越性。