完全标注是必需的吗？理解纵向医学影像中的主动学习
计算机视觉与模式识别
2025-11-25 v1
摘要
使用深度学习检测纵向医学影像中的变化需要大量准确标注的数据。然而，标注这些图像的成本和时间远高于其他影像类型的标注，因为需要在多个时间点进行标注，其中新的病灶可能较小，细微的变化容易被忽略。深度主动学习（Deep Active Learning, DAL）在通过有选择地查询最具信息性的样本来最小化标注成本方面显示出前景，但现有研究主要聚焦于静态任务，如分类和分割。因此，传统的DAL方法无法直接应用于改变检测任务，即识别跨多个图像的细微差异。本研究提出了一种新颖的DAL框架，名为纵向医学影像主动学习（LMI-AL），专为纵向医学影像量身定制。通过对基线和随访3D图像中所有2D切片进行配对和差分，LMI-AL使用DAL迭代选择最具信息性的配对进行标注，训练深度学习模型以最小的手动标注。实验结果表明，在标注少于8%的数据时，LMI-AL即可实现与在完全标注数据集上训练的模型相当的性能。我们还提供了该方法性能的详细分析，以作为未来研究的指导。代码已公开于https://github.com/HelenMa9998/Longitudinal_AL。
引用
@article{arxiv.2511.18007,
title = {Is Complete Labeling Necessary? Understanding Active Learning in Longitudinal Medical Imaging},
author = {Siteng Ma and Honghui Du and Prateek Mathur and Brendan S. Kelly and Ronan P. Killeen and Aonghus Lawlor and Ruihai Dong},
journal= {arXiv preprint arXiv:2511.18007},
year = {2025}
}
备注
This paper has been accepted at International Joint Conference on Neural Networks (IJCNN) 2025