针对图像分类的组织病理学专注的积极学习

科学领域:

• 数字病理学数字病理学
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 有效地获取标记数据对于数字病理学中的机器学习至关重要.
• 现有的积极学习 (AL) 方法在医疗数据中扎着文物,模糊性和阶级不平衡.
• 缺乏精确的不确定性估计导致获得低价值图像.

研究的目的:

• 开发一种积极学习 (AL) 方法,有效地获取数字病理学的信息图像.
• 为了应对医疗数据集中的文物,模糊性和阶级不平衡所带来的挑战.
• 提高机器学习模型在医学图像分析中的效率和性能.

主要方法:

• 拟议的集中主动学习 (FocAL),集成贝叶斯神经网络与分布外检测.
• FocAL估计了加权的认识不确定性 (对于类不平衡),随机不确定性 (对于模两可),以及分布外得分 (对于文物).
• 在MNIST和前列腺癌分类的真实世界熊猫数据集上得到验证.

主要成果:

• FocAL有效地专注于信息图像,避免模两可和阻碍其他AL方法的工件.
• 在使用仅0.69%的标记数据的Panda数据集上获得0.764的Cohen's kappa.
• 在这两种实验环境中,其表现优于现有的积极学习方法.

结论:

• FocAL通过准确估计图像采集的多种不确定性类型来增强主动学习.
• 该方法在具有挑战性的医学成像场景中展示了卓越的性能和数据效率.
• FocAL为数字病理学数据的高效标记提供了一个强大的解决方案.