基于预测准确率的医学图像分割主动学习
计算机视觉与模式识别
2024-10-23 v2
摘要
主动学习被认为是缓解深度学习基于分割方法对标注数据的高依赖问题的可行方案，而医学图像的像素级标注成本昂贵。然而，大多数现有方法 suffer from 可靠性较差的不确定性评估和难以平衡多样性与信息性之间的矛盾，导致在分割任务中表现不佳。为此，我们提出了一种高效的基于预测准确率的主动学习（PAAL）方法，用于医学图像分割。PAAL 首先引入预测准确率来定义不确定性。具体而言，PAAL 主要由一个准确度预测器（AP）和加权投票策略（WPS）组成。前者是一个可附加的可学习模块，能够准确预测未标记样本相对于目标模型的分割准确度，并基于预测的后验概率进行预测。后者通过结合预测准确度和特征表示，提供一种高效的混合查询方案，以确保所获取样本的可靠性和多样性。大量实验结果表明，PAAL 在多个数据集上均优于现有方法。PAAL 在保持可comparable准确度的同时，通过减少约 50%至 80%的标注成本，展现了在临床应用中具有显著潜力。代码已提供于 https://github.com/shijun18/PAAL-MedSeg.
引用
@article{arxiv.2405.00452,
title = {Predictive Accuracy-Based Active Learning for Medical Image Segmentation},
author = {Jun Shi and Shulan Ruan and Ziqi Zhu and Minfan Zhao and Hong An and Xudong Xue and Bing Yan},
journal= {arXiv preprint arXiv:2405.00452},
year = {2024}
}
备注
9 pages, 4 figures