探索 UMAP 在基于熵与代表性采样的混合模型中用于生物医学分割的主动学习

在这项工作中，我们研究了医学分割主动学习背景下基于熵和代表性采样技术的各种混合模型，特别考察了 UMAP（均匀流形近似与投影）作为捕获代表性技术的作用。尽管 UMAP 已被证明在各个领域作为一种通用降维方法是可行的，但它在基于深度学习的医学分割中的作用尚未得到广泛探索。使用医学分割十项全能中的心脏和前列腺数据集进行验证，我们发现 Entropy-UMAP 采样技术的一种新颖混合组合在 Dice 分数上取得了相对于随机基线的统计学显著优势（心脏为 $3.2 \%$，前列腺为 $4.5 \%$），并在我们考察的 10 种不同的主动学习方法中获得了最高的 Dice 系数。这提供了初步证据，表明在混合主动学习模型中，当基于熵的方法先于 UMAP 方法应用时，两者之间存在有趣的协同作用。