自监督辅助的主动学习用于皮肤病变分割
图像与视频处理
2022-11-02 v1 人工智能
计算机视觉与模式识别
摘要
标注稀缺一直是生物医学图像分割中长期存在的问题，原因在于高昂的标注成本与专业要求。近来，主动学习（AL）策略力求通过查询一小部分数据进行标注来降低标注成本，在医学影像领域受到广泛关注。然而，大多数现有 AL 方法不得不以随机选取的样本初始化模型，随后基于不确定性、多样性等各种准则进行主动选择。此类随机起始初始化方法不可避免地引入了低价值冗余样本与不必要的标注成本。为解决该问题，我们提出了一种冷启动设定下自监督辅助的主动学习框架，其中分割模型首先通过自监督学习（SSL）进行预热，然后利用 SSL 特征通过潜特征聚类进行样本选择而无需访问标签。我们在皮肤病变分割任务上评估了所提方法。大量实验表明，我们的方法能够以显著优于现有基线的表现达到有前景的性能。
引用
@article{arxiv.2205.07021,
title = {Self-supervised Assisted Active Learning for Skin Lesion Segmentation},
author = {Ziyuan Zhao and Wenjing Lu and Zeng Zeng and Kaixin Xu and Bharadwaj Veeravalli and Cuntai Guan},
journal= {arXiv preprint arXiv:2205.07021},
year = {2022}
}
备注
Accepted by the 44th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2022)