终于超越随机基线：面向3D生物医学影像主动学习的一种简单有效解决方案
计算机视觉与模式识别
2026-01-21 v1
摘要
主动学习(AL)有潜力大幅降低3D生物医学图像分割中的标注成本，因为对体数据进行专家标注既耗时又昂贵。然而，现有的AL方法无法持续超越适配于3D数据的改进随机采样基线，使得该领域缺乏可靠的解决方案。我们引入了类别分层调度幂预测熵(ClaSP PE)，这是一种简单且有效的查询策略，解决了标准基于不确定性的AL方法的两个关键局限：类别不平衡与早期选择中的冗余。ClaSP PE 结合了类别分层查询以确保对代表性不足结构的覆盖，并采用带有衰减调度的大尺度幂加噪，以在早期AL阶段强制查询多样性并在后期鼓励利用。在我们使用四个3D生物医学数据集在综合 nnActive 基准上的 24 个实验设置评估中，ClaSP PE 是唯一一种在分割质量上具有统计显著增益的同时，在标注效率方面普遍超越改进随机基线的方法。此外，我们通过在四个先前未见的数据集上测试我们的方法，明确模拟了真实世界应用，无需人工调整，所有实验参数均根据预定义指南设置。结果证实，ClaSP PE 能够稳健地泛化到新任务，无需特定于数据集的调优。在 nnActive 框架内，我们提供了令人信服的证据，表明在逼真的、接近生产环境的场景中，AL 方法可以在性能和标注效率两方面持续超越适配于3D分割的随机基线。我们的开源实现和清晰的部署指南使其在实践中具有即用性。代码位于 https://github.com/MIC-DKFZ/nnActive。
引用
@article{arxiv.2601.13677,
title = {Finally Outshining the Random Baseline: A Simple and Effective Solution for Active Learning in 3D Biomedical Imaging},
author = {Carsten T. Lüth and Jeremias Traub and Kim-Celine Kahl and Till J. Bungert and Lukas Klein and Lars Krämer and Paul F. Jäger and Klaus Maier-Hein and Fabian Isensee},
journal= {arXiv preprint arXiv:2601.13677},
year = {2026}
}
备注
Accepted at TMLR