nnActive：用于3D生物医学分割主动学习评估的框架
计算机视觉与模式识别
2025-11-25 v1
摘要
语义分割是various生物医学应用中的关键任务，但其对大规模标注数据集的依赖成为瓶颈，因为手动标注需要高成本和专业知识。主动学习（Active Learning, AL）旨在通过仅查询最具信息性的样本来缓解这一挑战，从而减少标注工作。然而，在3D生物医学成像领域，是否存在AL持续优于随机采样的共识尚无定论。当前方法论评估受四大评估陷阱的制约：（1）仅限于过少的数据集和标注预算；（2）在3D图像上使用2D模型且无局部标注；（3）随机基线未针对任务进行适配；（4）仅以体素数目衡量标注成本。本文引入nnActive——一个开源AL框架，通过（1）大规模研究涵盖四个生物医学成像数据集和三个标注方案；（2）扩展nnU-Net，采用局部分块式查询选择进行部分标注训练；（3）提出面向医学图像前景-背景类别不平衡的随机采样策略；（4）提出前景效率指标，捕捉背景区域低标注成本。我们发现：（A）虽然所有AL方法均优于标准随机采样，但无方法可可靠地超越改进版的面向前景的随机采样；（B）AL效益取决于特定任务参数；（C）预测熵整体表现最佳，但可能需要最高的标注工作量；（D）更计算密集的设计可提升AL性能。作为一个整体化、开源框架，nnActive可为3D生物医学成像中AL的研究与应用提供催化剂。代码地址：https://github.com/MIC-DKFZ/nnActive
引用
@article{arxiv.2511.19183,
title = {nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation},
author = {Carsten T. Lüth and Jeremias Traub and Kim-Celine Kahl and Till J. Bungert and Lukas Klein and Lars Krämer and Paul F. Jaeger and Fabian Isensee and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2511.19183},
year = {2025}
}
备注
Accepted at TMLR