TAAL：用于医学图像分割主动学习的测试时增强
计算机视觉与模式识别
2023-01-18 v1
摘要
深度学习方法通常依赖于标注数据的可用性，而获取这些数据昂贵且耗时。主动学习通过优先标注哪些样本能最大化任务模型性能来解决此类问题。尽管主动学习框架在自然图像分类中已被广泛探索，但在医学图像分割中仅被稀疏使用。挑战在于获得一种能揭示最佳候选标注数据的不确定性度量。本文提出用于主动学习的测试时增强（TAAL），一种新颖的半监督主动学习分割方法，其利用数据变换提供的不确定性信息。我们的方法在训练和推理期间应用交叉增强一致性，既以半监督方式改进模型学习，又识别下一步最相关的未标注样本进行标注。此外，我们的一致性损失使用改进版的 JSD 以进一步提升模型性能。通过依赖数据变换而非不确定性策略中通常使用的外部模块或简单启发式方法，TAAL 成为一种简单而强大的任务无关半监督主动学习方法，可应用于医学领域。我们在公开可用的心脏图像数据集上的结果表明，TAAL 在完全监督和半监督设置下均优于现有基线方法。我们的实现公开于 https://github.com/melinphd/TAAL。
引用
@article{arxiv.2301.06624,
title = {TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation},
author = {Mélanie Gaillochet and Christian Desrosiers and Hervé Lombaert},
journal= {arXiv preprint arXiv:2301.06624},
year = {2023}
}
备注
Accepted to MICCAI-DALI 2022 (LNCS Proceedings, vol.13567), 11 pages