PCDAL：一种用于医学图像分割与分类的扰动一致性驱动主动学习方法
图像与视频处理
2023-06-30 v1 计算机视觉与模式识别
摘要
近年来，深度学习已成为辅助医学图像诊断的突破性技术。使用卷积神经网络（CNN）的监督学习提供了最先进的性能，并已成为各种医学图像分割与分类的基准。然而，监督学习深度依赖于大规模标注数据，在医学影像应用中获取这些数据成本高昂、耗时甚至不切实际。主动学习（AL）方法已广泛应用于自然图像分类任务，通过从未标注数据池中选择更有价值的样本来降低标注成本。然而，它们在医学图像分割任务中的应用有限，目前尚无专门针对三维医学图像分割的有效且通用的基于AL的方法。为应对这一局限，我们提出了一种可同时应用于二维医学图像分类、分割及三维医学图像分割任务的基于AL的方法。我们在三个公开且具有挑战性的医学图像数据集（Kvasir Dataset、COVID-19 Infection Segmentation Dataset 和 BraTS2019 Dataset）上广泛验证了所提出的主动学习方法。实验结果表明，我们的 PCDAL 在二维分类与分割以及三维分割任务中，以更少的标注即可实现显著更优的性能。本研究的代码可在 https://github.com/ortonwang/PCDAL 获取。
引用
@article{arxiv.2306.16918,
title = {PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification},
author = {Tao Wang and Xinlin Zhang and Yuanbo Zhou and Junlin Lan and Tao Tan and Min Du and Qinquan Gao and Tong Tong},
journal= {arXiv preprint arXiv:2306.16918},
year = {2023}
}