基于熵的公平脑分割主动学习探索

主动学习（AL）已成为降低医学图像分割高昂成本的关键策略。然而，标准的基于不确定性的 AL 方法通常侧重于最大化性能指标，忽略了不同敏感属性组之间性能差异或公平性问题。虽然已探索公平主动学习在分类任务中的应用，但其在医学图像分割领域的交叉研究仍不为人知。本文引入一种公平感知的主动学习框架，采用加权熵选择策略，依据当前在标记数据集上的组别特定性能估计来调制不确定性。为将真正的认知不确定性与解剖体积差异解耦，我们进一步利用掩码、缩放熵限制于感兴趣区域。该框架在具有控制左侧颞核偏差的合成 T1 加权脑 MRI 上进行评估，分别在强偏差和弱偏差设置下进行测试。使用 3D U-Net 对左侧颞核进行分割，启动于人口统计平衡和强不平衡的初始标记集。实验表明，我们的方法在与随机抽样和标准不确定性抽样相比，显著降低了不同组之间的性能差异。通过在 AL 循环中优先处理分割较差的子组，本方法在最终预算下始终实现最高的公平性比例性能，将与标准熵相比的差异度指标分别在强偏差和弱偏差下降低了 75% 和 86%。总体而言，本文是公平主动学习用于医学图像分割的首批研究之一，提供了一种在资源受限环境中训练更公平模型的高效策略。