用于气道分割的高精度且省成本主动学习3D WD-UNet
图像与视频处理
2023-10-10 v1 计算机视觉与模式识别
摘要
我们提出了一种新颖的深度主动学习(DeepAL)模型——3D Wasserstein判别UNet(WD-UNet)，用于减少医学3D计算机断层扫描(CT)分割的标注工作量。所提WD-UNet以半监督方式学习，并加速学习收敛以达到或超过监督学习模型的预测指标。我们的方法可嵌入不同的主动学习(AL)策略与不同的网络结构。该模型在3D肺部气道CT扫描上进行了医学分割评估，结果表明使用作为查询策略输入参数化的不确定性度量，比一些最先进的深度学习(DL)监督模型（如3DUNet和3D CEUNet）能获得更准确的预测结果。与上述监督DL方法相比，我们的WD-UNet不仅节省了放射科医生的标注成本，还节省了计算资源。WD-UNet使用有限量的标注数据（总量的35%）以更高效的深度学习模型算法实现了更好的预测指标。
引用
@article{arxiv.2310.05638,
title = {High Accuracy and Cost-Saving Active Learning 3D WD-UNet for Airway Segmentation},
author = {Shiyi Wang and Yang Nan and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2310.05638},
year = {2023}
}