混合表示增强采样用于贝叶斯主动学习在下肢肌肉骨细分的贝叶斯主动学习
Ganping Li1, Yoshito Otake2, Mazen Soufi2
1Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology, 8916-5 Takayama, Ikoma, Nara, 630-0192, Japan. li.ganping.lc2@is.naist.jp.
International journal of computer assisted radiology and surgery
|January 28, 2024
概括
本研究介绍了贝叶斯活跃学习 (BAL) 的混合采样策略,以减少医疗图像细分中的手动注释工作. 该方法有效地选择信息样本,显著提高准确性并降低深度学习模型的注释成本.
科学领域:
- 医学成像医学成像
- 深度学习是一种深度学习.
- 计算机辅助诊断是一种计算机辅助的诊断.
背景情况:
- 医疗图像细分中的深度学习手动注释是耗时的.
- 贝叶斯主动学习 (BAL) 框架旨在通过选择信息样本来减少注释负担.
研究的目的:
- 引入混合代表性增强抽样策略,在BAL框架内整合密度和多样性标准.
- 通过为自动细分模型选择最有信息的培训样本来减少注释工作.
主要方法:
- 在下肢MRI和CT数据集上进行的实验,用于分割多个解剖结构.
- 利用基于U-net的BAL框架,采用了新的采样策略,专注于不确定,密集和多样化的样本.
- 使用子分数和降低注释成本 (RAC) 评估绩效,包括废除研究和收购规则的评估.
主要成果:
- 拟议的方法在MRI和CT数据集上表现出优于或与现有方法相提并论的性能.
- 在CT数据的子得分 (0.8%) 和RAC (1.0%) 中取得了统计学上显著的改善.
- 通过BAL.的综合密度和多样性标准,通过肌肉骨细分表现出更高的效率.
结论:
- 开发的采样策略有效地降低了图像细分任务的注释成本.
- 这种方法与BAL框架的整合为高效的医学图像数据集注释提供了一种半自动解决方案.
