医学图像分类中用于主动学习的信息增益采样
计算机视觉与模式识别
2022-08-02 v1
摘要
由于标注大规模数据集所需的时间、成本及困难，大型标注数据集在医学图像分析中并不普及。未标注数据集更易获取，且在许多情形下，专家为少量图像子集提供标签是可行的。本工作提出一种信息论主动学习框架，基于最大化评估数据集上的期望信息增益（EIG），从未标注池中引导图像的最优选择以供标注。实验在两个不同的医学图像分类数据集上进行：多类糖尿病视网膜病变疾病分级与多类皮肤病变分类。结果表明，通过调整EIG以考虑类不平衡，我们提出的自适应期望信息增益（AEIG）优于若干流行基线，包括基于多样性的CoreSet与基于不确定性的最大熵采样。具体而言，AEIG仅用19%的训练数据即达到约95%的整体性能，而其他主动学习方法需约25%。我们表明，通过精心的设计选择，我们的模型可集成到现有深度学习分类器中。
引用
@article{arxiv.2208.00974,
title = {Information Gain Sampling for Active Learning in Medical Image Classification},
author = {Raghav Mehta and Changjian Shui and Brennan Nichyporuk and Tal Arbel},
journal= {arXiv preprint arXiv:2208.00974},
year = {2022}
}
备注
Paper accepted at UNSURE 2022 workshop at MICCAI 2022