腔旁剔除术语结构分割的最简数据集构建
计算机视觉与模式识别
2025-04-18 v1 机器学习
摘要
在医学领域，标注工作始终昂贵，这一现象阻碍了相关深度学习应用的发展。我们的工作引入主动学习技术，用于手术视频帧的选择，以构建用于语义分割的高质量、可负担的腔旁剔除术语数据集。主动学习使深度神经网络 (Deep Neural Networks, DNNs) 的学习管道能够包含数据集构建工作流程，这意味着由现有数据集训练的 DNNs 将识别新收集数据中最具信息量的样本。同时，随着新选取并标注的数据被纳入训练数据，DNNs 的性能和泛化能力会随之提升。我们评估了不同的数据信息性度量方法，发现深度特征距离在此任务中能够选择最具信息量的数据。我们的实验表明，在关键解剖结构和外科器械上，使用主动学习选取的一半数据，DNNs 的平均交并比 (mean Intersection over Union, mIoU) 为0.4349，几乎与在完整数据集上训练的 DNNs (0.4374 mIoU) 性能相当。
引用
@article{arxiv.2504.12573,
title = {Parsimonious Dataset Construction for Laparoscopic Cholecystectomy Structure Segmentation},
author = {Yuning Zhou and Henry Badgery and Matthew Read and James Bailey and Catherine Davey},
journal= {arXiv preprint arXiv:2504.12573},
year = {2025}
}
备注
IEEE EMBS ISC Australia 2022