基于不确定性切片采样标注流程的鲁棒分割模型
计算机视觉与模式识别
2024-10-28 v1 机器学习
摘要
语义分割神经网络需要大量的像素级标注才能达到良好性能。在医学领域，此类标注成本高昂，因为耗时且需要专家知识。主动学习通过设计策略来选择对模型最具信息量的样本进行标注，从而优化标注工作量。本文提出一种用于三维医学体数据语义分割的不确定性切片采样(USS)策略，该策略选择二维图像切片进行标注，并将其与其他多种策略进行比较。我们利用多中心数据在CT肝脏分割任务上验证了USS的效率。经过五次迭代后，USS产生的训练数据包含2410个切片（数据池中全部切片的4%），而不确定性体采样(UVS)、随机体采样(RVS)和随机切片采样(RSS)分别包含8121（13%）、8641（14%）和3730（6%）个切片。尽管训练所用数据量最小，基于USS策略的模型在234个测试体数据上评估时显著优于按其他策略训练的模型，取得了0.964的平均Dice系数、4.2%的相对体积误差、1.35 mm的平均表面距离和23.4 mm的Hausdorff距离。这仅略逊于使用全部可用数据训练的模型所取得的0.967、3.8%、1.18 mm和22.9 mm，但使用Dice第5百分位和其余指标第95百分位的鲁棒性分析表明，USS不仅相较其他采样方案产生了最鲁棒的模型，而且在Dice（0.946对0.945）和平均表面距离（1.92 mm对2.03 mm）上优于使用全部数据训练的模型。
引用
@article{arxiv.2109.14879,
title = {Robust Segmentation Models using an Uncertainty Slice Sampling Based Annotation Workflow},
author = {Grzegorz Chlebus and Andrea Schenk and Horst K. Hahn and Bram van Ginneken and Hans Meine},
journal= {arXiv preprint arXiv:2109.14879},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication