从冷启动到主动学习：基于嵌入的医学图像分割扫描选择
计算机视觉与模式识别
2026-02-02 v2 机器学习
摘要
准确的分割标注对于疾病监测至关重要，但由于所需的时间和专业知识，手动标注仍然是一个主要瓶颈。主动学习 通过优先选择信息量大的样本进行标注来减轻这一负担，通常通过基于多样性的冷启动阶段和随后基于不确定性的选择来实现。我们提出了一种新颖的冷启动采样策略，将基础模型嵌入与聚类相结合，包括自动选择聚类数量和跨聚类的比例采样，以构建多样且具有代表性的初始训练集。随后是一个集成了空间多样性以指导样本选择的基于不确定性的 AL 框架。所提出的方法直观且可解释，能够可视化候选样本的特征空间分布。我们在跨越 X 射线和 MRI 模态的三个数据集上评估了我们的方法。在 CheXmask 数据集上，冷启动策略优于随机选择，将 Dice 从 0.918 提高到 0.929，并将 Hausdorff 距离从 32.41 减少到 27.66 mm。在 AL 设置中，结合熵和多样性的选择将 Dice 从 0.919 提高到 0.939，并将 Hausdorff 距离从 30.10 减少到 19.16 mm。在 Montgomery 数据集上，冷启动的收益显著，Dice 从 0.928 提高到 0.950，Hausdorff 距离从 14.22 减少到 9.38 mm。在 SynthStrip 数据集上，冷启动选择略微影响了 Dice，但将 Hausdorff 距离从 9.43 减少到 8.69 mm，而主动学习将 Dice 从 0.816 提高到 0.826，并将 Hausdorff 距离从 7.76 减少到 6.38 mm。总体而言，所提出的框架在低数据量情况下始终优于基线方法，提高了分割准确性。
引用
@article{arxiv.2601.18532,
title = {From Cold Start to Active Learning: Embedding-Based Scan Selection for Medical Image Segmentation},
author = {Devon Levy and Bar Assayag and Laura Gaspar and Ilan Shimshoni and Bella Specktor-Fadida},
journal= {arXiv preprint arXiv:2601.18532},
year = {2026}
}
备注
19 pages without references