INSITE：利用子模函数与半监督数据编程标注医学图像
计算机视觉与模式识别
2024-10-28 v1
摘要
训练深度模型需要大量标注数据，这在医学成像领域尤其会在资源受限的环境中造成实施瓶颈。在 Insite（利用子模函数与半监督数据编程标注医学图像）中，我们应用知情子集选择方法，从海量未标注数据池中识别出少量最具代表性或多样性的图像，随后由领域专家进行标注。新标注的图像随后被用作样例，以开发多个数据编程驱动的标注函数。当给定一个未标注图像作为输入时，这些标注函数会输出一个预测标签和一个相似度得分。通过使用标签聚合函数在这些标注函数的输出之间达成共识，为每个未标注数据点分配最终预测标签。我们证明，知情子集选择以及随后使用这些图像作为样例的半监督数据编程方法，其性能优于其他最先进的半监督方法。此外，我们首次证明了这可以通过少量用作样例的图像来实现。
引用
@article{arxiv.2402.07173,
title = {INSITE: labelling medical images using submodular functions and semi-supervised data programming},
author = {Akshat Gautam and Anurag Shandilya and Akshit Srivastava and Venkatapathy Subramanian and Ganesh Ramakrishnan and Kshitij Jadhav},
journal= {arXiv preprint arXiv:2402.07173},
year = {2024}
}