基于主动学习与生成式数据增强的溃疡性结肠炎 Mayo 内镜评分分类
图像与视频处理
2023-11-13 v1 计算机视觉与模式识别
机器学习
摘要
内镜成像常用于诊断溃疡性结肠炎（UC）并分类其严重程度。已有研究表明，基于深度学习的方法在这些图像的自动化分析中有效，并有可能用于辅助医生。释放这些方法全部潜力的关键在于大量标注图像的可用性；然而，获取和标注这些图像相当具有挑战性。本文提出一种基于主动学习的生成式增强方法。该方法通过使用由真实内镜图像组成的小数据集训练，生成大量合成样本。所得数据池通过主动学习方法筛选出信息量最大的样本，随后用于训练分类器。我们通过在公开可用内镜图像数据集上的实验证明了方法的有效性。结果表明，将合成样本与主动学习结合使用相比仅使用原始标注样本提升了分类性能，基线分类性能为 68.1%，按二次加权kappa（QWK）分数计提升至 74.5%。另一观察是，仅使用真实数据达到同等性能需要三倍数量的图像。
引用
@article{arxiv.2311.06057,
title = {Ulcerative Colitis Mayo Endoscopic Scoring Classification with Active Learning and Generative Data Augmentation},
author = {Ümit Mert Çağlar and Alperen İnci and Oğuz Hanoğlu and Görkem Polat and Alptekin Temizel},
journal= {arXiv preprint arXiv:2311.06057},
year = {2023}
}
备注
6 pages, 3 figures, to be published in IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2023