基于梯度引导采样的脑 MR 图像提示性标注

近年来，机器学习因其图像分割与分类任务的优异性能而被广泛用于医学图像分析。机器学习的成功，尤其是监督学习，依赖于人工标注数据集的可获得性。对于医学影像应用，此类标注数据集不易获取，策划一个标注医学图像集需要大量时间与资源。本文提出一种高效的脑 MR 图像标注框架，可建议信息量丰富的样本图像供人类专家标注。我们在两个不同的脑图像分析任务上评估该框架，即脑肿瘤分割与全脑分割。实验表明，在 BraTS 2019 数据集的脑肿瘤分割任务中，仅使用 7% 提示性标注的图像样本训练分割模型，即可达到在全数据集上训练相当的性能。在 MALC 数据集的全脑分割中，使用 42% 提示性标注的图像样本训练可达到与全数据集训练相当的性能。所提框架展示了一种在医学影像应用中节省人工标注成本并提升数据效率的可行途径。