用于下肢肌骨分割中贝叶斯主动学习的混合表示增强采样
图像与视频处理
2023-12-21 v2 计算机视觉与模式识别
摘要
目的：用于训练深度学习（DL）模型进行自动分割的人工标注十分耗时。本研究引入一种混合表示增强采样策略，在基于不确定性的贝叶斯主动学习（BAL）框架内融合密度与多样性准则，通过筛选信息量最大的训练样本来减少标注工作量。方法：实验在两个下肢（LE）的MRI和CT图像数据集上进行，聚焦于股骨、骨盆、骶骨、股四头肌、腘绳肌、内收肌、缝匠肌和髂腰肌的分割，采用基于U-net的BAL框架。我们的方法选取具有高密度和高多样性的不确定样本进行人工修正，以对未标注样本的最大相似度及对已有训练数据的最小相似度为优化目标。我们分别使用Dice系数和一种称为减少标注成本（RAC）的提出指标来评估准确率和效率。我们进一步评估了不同采集规则对BAL性能的影响，并设计了消融实验以估计有效性。结果：在MRI和CT数据集中，我们的方法优于或可与现有方法媲美，在体素级采集下CT上Dice提升0.8%、RAC提升1.0%（统计显著），MRI上Dice提升0.8%、RAC提升1.1%（统计不显著）。我们的消融研究表明，相较于单独使用任一准则，结合密度与多样性准则提升了BAL在肌骨分割中的效率。结论：我们的采样方法被证明能高效减少图像分割任务中的标注成本。所提方法与我们的BAL框架相结合，为医学图像数据集的高效标注提供了一种半自动途径。
引用
@article{arxiv.2307.13986,
title = {Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities},
author = {Ganping Li and Yoshito Otake and Mazen Soufi and Masashi Taniguchi and Masahide Yagi and Noriaki Ichihashi and Keisuke Uemura and Masaki Takao and Nobuhiko Sugano and Yoshinobu Sato},
journal= {arXiv preprint arXiv:2307.13986},
year = {2023}
}
备注
15 pages, 5 figures