积极学习用于用随机批量进行医学图像分割

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 高质量的标记数据对于机器学习算法性能至关重要,但用于医疗图像细分的手动注释是资源密集的.
• 积极学习 (AL) 旨在通过智能选择专家标签的信息样本来减少注释工作.
• 现有的AL方法经常因不确定性量化和计算成本的局限性而与医疗图像分割作斗争.

研究的目的:

• 加强基于不确定性的积极学习策略,用于医疗图像细分.
• 解决目前基于不确定性的AL方法中低于最佳的批量查询策略.
• 为医疗图像细分开发一个计算效率高和有效的AL方法.

主要方法:

• 提出了一种新的方法,使用随机批量 (SB) 来计算批量级的不确定性,而不是样本级.
• 集成的随机批量查询作为对现有的基于不确定性的AL指标的补充.
• 在两个不同的医疗图像细分数据集上广泛评估了该方法.

主要成果:

• 拟议的随机批量查询策略始终优于传统的基于不确定性的采样方法.
• 该方法在选择信息样本以训练医学图像细分模型方面表现得更好.
• 在医学图像细分领域实现了积极学习的强大基线性能.

结论:

• 使用随机批量计算批量级的不确定性是改善医疗图像细分中的积极学习的有效策略.
• 拟议的方法为现有的基于不确定性的AL技术提供了简单而强大的增强.
• 这项工作为医疗图像细分注释的未来研究提供了强大而高效的基准.