MedCAL-Bench：面向医学图像分析的基于基础模型的冷启动主动学习综合基准
计算机视觉与模式识别
2025-10-13 v2
摘要
冷启动主动学习（CSAL）旨在在缺乏先验知识的情况下选择信息丰富的样本，这对于在有限标注预算下提高标注效率和模型性能在医学图像分析中至关重要。大多数现有 CSAL 方法依赖于针对目标数据集进行的自监督学习（SSL）以提取特征，该方法效率低下且受限于特征表征的不足。最近，预训练基础模型（FMs）显示出强大的特征提取能力，潜在优势更大。然而，这一范式鲜有被调查，缺乏对 FMs 在 CSAL 任务中进行比较的基准。为此，我们提出了 MedCAL-Bench，第一个系统化的基于 FMs 的医学图像 CSAL 基准。我们评估了 14 个 FMs 和 7 种 CSAL 策略，覆盖 7 个数据集，不同标注预算下涵盖分类与分割任务，来自不同医学模态。实验结果表明：1）大多数 FMs 都是 CSAL 有效的特征提取器，其中 DINO 系列在分割任务中表现最佳；2）这些 FMs 在分割任务上的性能差异显著，而在分类任务上较小；3）不同样本选择策略在不同数据集上的 CSAL 中应予以考虑，其中 Active Learning by Processing Surprisal（ALPS）在分割任务中表现最佳，而 RepDiv 在分类任务中领先。该项目代码已公开于 https://github.com/HiLab-git/MedCAL-Bench。
引用
@article{arxiv.2508.03441,
title = {MedCAL-Bench: A Comprehensive Benchmark on Cold-Start Active Learning with Foundation Models for Medical Image Analysis},
author = {Ning Zhu and Xiaochuan Ma and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2508.03441},
year = {2025}
}
备注
23 pages, 6 figures, 10 tables