如何为交叉截面医学图像选择切片以训练最佳表现的深度学习分割模型？
计算机视觉与模式识别
2025-04-08 v2 人工智能
机器学习
摘要
自动化医学图像分割高度依赖精确的手动标注的可用性。然而，这些标注往往耗时、昂贵，且有时需要专业技能（尤其是针对交叉截面医学图像）。因此，优化标注资源的使用至关重要，以确保效率和效果。在本文中，我们系统性地回答了这样一个问题：“在非交互式标注流程中，如何选择交叉截面医学图像的切片以最大化所得深度学习分割模型的性能？”我们在4个医学影像分割任务上进行了实验，考察了不同的标注预算、标注病例数量、每个体积的标注切片数量、切片选择技术以及掩码插值方法。我们发现：1）在给定标注预算的情况下，标注更多的体积而非每个体积的切片数量更可取。2）在每个体积分配相同数量的标注切片时，采用无监督主动学习（UAL）选择切片的做法并不优于随机选择或固定间隔选择。3）对掩码进行插值很少能提升模型性能，仅在特定的3D模型配置下例外。
引用
@article{arxiv.2412.08081,
title = {How to select slices for annotation to train best-performing deep learning segmentation models for cross-sectional medical images?},
author = {Yixin Zhang and Kevin Kramer and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2412.08081},
year = {2025}
}
备注
9 main pages, 21 total pages, MIDL 2025