基于迭代优化与统计结果验证的高效人机协同深度学习模型训练
计算机视觉与模式识别
2023-04-04 v1 机器学习
性能
机器学习
摘要
图像标注与标记是将深度学习应用于医学数据时面临的最大挑战之一。当前流程耗时且成本高昂，因此是该技术广泛应用的限制因素。此外，验证所测性能提升是否具有显著性对于选择最佳模型十分重要。在本文中，我们展示了一种生成分割结果的方法，这是超声成像机器学习流水线中数据清洗的必要环节。我们提出一种四步法，利用自动生成的训练数据与快速人工视觉检查来提升模型精度，同时保持较低的时间/精力与成本。我们还展示了通过多次运行实验以支持统计分析的使用。低质量自动 ground truth 数据与快速视觉检查可高效训练初始基础模型，随后使用一小部分成本更高的人工生成 ground truth 数据进行优化。该方法在心脏超声分割任务中得到演示，可去除背景数据，包括静态 PHI。通过多次运行实验并对性能分布使用 student's t-test 显示了显著性。简单阈值化算法的初始分割精度由 92% 提升至 98%。基于性能较差算法及少量高质量数据进行预训练，可匹配或超越基于复杂算法训练的模型性能。为深度学习模型引入统计显著性分析有助于验证所测性能提升。该方法提供了一种高性价比且快速的实现高精度模型的途径，同时将获取高质量训练数据的成本与精力降至最低。
引用
@article{arxiv.2304.00990,
title = {Efficient human-in-loop deep learning model training with iterative refinement and statistical result validation},
author = {Manuel Zahn and Douglas P. Perrin},
journal= {arXiv preprint arXiv:2304.00990},
year = {2023}
}