用于组织病理学图像分类的聚焦主动学习
计算机视觉与模式识别
2024-04-09 v1 人工智能
摘要
主动学习（Active Learning, AL）有潜力解决数字病理学的一个主要问题：为机器学习算法高效获取标注数据。然而，现有的 AL 方法在存在伪影、模糊和类别不平衡的真实环境中常常遇到困难，这在医学领域很常见。缺乏精确的不确定性估计会导致获取信息价值低的图像。为了应对这些挑战，我们提出了聚焦主动学习（Focused Active Learning, FocAL），它将贝叶斯神经网络与分布外（Out-of-Distribution, OoD）检测相结合，以估计采集函数的不同不确定性。具体而言，加权认知不确定性用于解释类别不平衡，偶然不确定性用于解释模糊图像，OoD 分数用于解释伪影。我们进行了广泛的实验，以在 MNIST 和用于前列腺癌分类的真实世界 Panda 数据集上验证我们的方法。结果证实，其他 AL 方法会被模糊和伪影“分散注意力”，从而损害性能。FocAL 有效地聚焦于信息量最大的图像，在采集过程中避免模糊和伪影。在两项实验中，FocAL 均优于现有的 AL 方法，仅使用 0.69% 的 Panda 标注数据就达到了 0.764 的 Cohen's kappa。
引用
@article{arxiv.2404.04663,
title = {Focused Active Learning for Histopathological Image Classification},
author = {Arne Schmidt and Pablo Morales-Álvarez and Lee A. D. Cooper and Lee A. Newberg and Andinet Enquobahrie and Aggelos K. Katsaggelos and Rafael Molina},
journal= {arXiv preprint arXiv:2404.04663},
year = {2024}
}