HAL-IA:一种混合主动学习框架,使用交互式注释来进行医疗图像细分
Xiaokang Li1, Menghua Xia1, Jing Jiao1
1Department of Electronic Engineering, School of Information Science and Technology, Fudan University, Shanghai, China.
Medical image analysis
|June 9, 2023
概括
本研究介绍了一种使用交互注释 (HAL-IA) 的混合主动学习框架,以降低医疗图像细分成本. HAL-IA有效地生成精确的像素智能标签,使用更少的数据和更少的交互.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像分割的深度学习需要广泛的像素智能注释,这是耗时且昂贵的.
- 降低注释成本对于医学图像细分的广泛临床应用至关重要.
研究的目的:
- 开发一个有效的医疗图像细分框架,最大限度地降低注释成本.
- 为了应对冷启动,样本选择和手动注释负担在分段化主动学习中的挑战.
主要方法:
- 提出了使用交互式注释 (HAL-IA) 的混合主动学习框架.
- 引入了一种新的混合样本选择策略,结合像素,区域一致性和图像多样性.
- 实施了热启动初始化策略,以克服冷启动问题.
- 开发了一个交互式注释模块,建议使用超级像素来简化标签.
主要成果:
- HAL-IA框架在像素智能注释和细分模型中实现了高精度.
- 与现有方法相比,显著减少了标记数据要求和手动交互.
- 在四个医学图像数据集中超越了最先进的方法.
结论:
- 在保持高精度的同时,HAL-IA有效降低了医疗图像细分的注释成本.
- 该框架为医生提供了一种实际的解决方案,以获得用于临床分析和诊断的准确细分结果.
- 这种方法促进了高效的医学图像分析,并支持改善患者护理.
