M-VAAL：面向下游医学图像分析任务的多模态变分对抗主动学习
图像与视频处理
2023-06-22 v1 计算机视觉与模式识别
摘要
在医学领域获取恰当标注的数据十分昂贵，因为这需要专家、耗时的流程以及严格的验证。主动学习试图通过主动采样最具信息量的样本进行标注，从而将对大规模标注样本的需求降至最低。这些样本对提升监督式机器学习模型的性能贡献显著，因此主动学习可在基于深度学习的诊断、临床评估与治疗规划中，于最具合适信息的选择上发挥关键作用。尽管已有一些工作提出了用于医学图像分析中最佳标注样本采样的方法，但它们并非任务无关的，且未在采样器中利用多模态辅助信息，而后者有潜力提升鲁棒性。因此，本工作中我们提出一种多模态变分对抗主动学习（M-VAAL）方法，利用来自额外模态的辅助信息来增强主动采样。我们将该方法应用于两个数据集：i）使用 BraTS2018 数据集的脑肿瘤分割与多标签分类；ii）使用 COVID-QU-Ex 数据集的胸部 X 光图像分类。我们的结果展示了在有限标注下实现数据高效学习的可行方向。
引用
@article{arxiv.2306.12376,
title = {M-VAAL: Multimodal Variational Adversarial Active Learning for Downstream Medical Image Analysis Tasks},
author = {Bidur Khanal and Binod Bhattarai and Bishesh Khanal and Danail Stoyanov and Cristian A. Linte},
journal= {arXiv preprint arXiv:2306.12376},
year = {2023}
}