用于超声心动图分割的全自动机器学习流水线
计算机视觉与模式识别
2021-10-29 v2
摘要
如今，心脏诊断在很大程度上依赖于左心室功能评估。在分割深度学习模型的帮助下，左心室的评估变得更加便捷和准确。然而，深度学习技术仍面临两个主要障碍：难以获取充足的训练数据，以及开发高质量模型耗时。在普通的数据获取过程中，数据集是从大量未标注图像池中随机选取用于标注的，导致标注这些图像耗费大量人工时间。此外，手工设计的模型开发费力且成本高昂。本文引入了一种流水线，其依靠主动学习（Active Learning）来减轻标注工作，并利用神经架构搜索（Neural Architecture Search）的思想自动设计恰当的深度学习模型。我们称之为用于超声心动图分割的全自动机器学习流水线。实验结果表明，我们的方法仅用原始训练数据集的五分之二便获得了相同的 IOU 精度，且在相同训练数据集下，搜索得到的模型达到了与手工设计模型相同的精度。
引用
@article{arxiv.2107.08440,
title = {Fully Automated Machine Learning Pipeline for Echocardiogram Segmentation},
author = {Hang Duong Thi Thuy and Tuan Nguyen Minh and Phi Nguyen Van and Long Tran Quoc},
journal= {arXiv preprint arXiv:2107.08440},
year = {2021}
}