主动学习在脑瘤细分与不确定性抽样和注释冗余限制限制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 深度学习模型在医学成像分析中显示出前景.
• 高昂的注释成本和大量的数据限制了它们的临床应用.
• 脑瘤细分是一个关键的,但数据密集型的任务.

研究的目的:

• 为了比较积极学习策略,尽量减少3D脑瘤细分中的数据需求.
• 确定最有效的策略,以减少注释负担而不会造成性能损失.
• 提出一个框架,用于医疗图像分析中高效的数据利用.

主要方法:

• 在638个多机构脑瘤MRI扫描中训练有素的3DU-net模型.
• 积极学习策略的比较:贝叶斯估计与掉队,引导,边缘抽样和随机查询.
• 评估的注释冗余限制技术.
• 确定了相当于完整数据集训练的性能最低数据 (α=0.05).

主要成果:

• 贝叶斯近似与掉队实现了目标性能,使用随机查询所需数据的30% (p=0.018).
• 与随机查询相比,注释冗余限制减少了20%的数据需求.
• 放弃不确定性估计需要最少注释的数据来实现最佳细分.

结论:

• 积极学习,特别是基于脱学的不确定性估计,大大降低了3D脑瘤细分的注释负担.
• 这种方法可以有效地训练具有有限数据的深度学习模型.
• 这些发现支持AI在医学成像中的临床转化,通过解决数据稀缺问题.