关于医学图像分析中的深度主动学习的综合调查
Haoran Wang1, Qiuye Jin2, Shiman Li1
1Digital Medical Research Center, School of Basic Medical Sciences, Fudan University, Shanghai 200032, China; Shanghai Key Laboratory of Medical Image Computing and Computer Assisted Intervention, Shanghai 200032, China.
Medical image analysis
|May 22, 2024
概括
积极学习通过选择深度学习模型的信息样本来降低医疗图像注释成本. 本调查回顾了核心方法,将它们与其他标签效率高的技术相结合,并分析了它们在医学成像中的表现.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习模型需要大型专家注释的数据集来进行医学图像分析.
- 医疗图像的高注释成本阻碍了深度学习的发展.
- 积极学习 (AL) 通过最小化所需的标记数据提供了一个解决方案.
研究的目的:
- 为医疗图像分析提供积极学习方法的全面审查.
- 总结积极学习与其他标签高效技术的整合.
- 提供对这一领域未来趋势和挑战的见解.
主要方法:
- 对核心主动学习技术的审查,重点是信息性评估和抽样策略.
- 详细概述积极学习与半监督和自我监督学习的协同作用.
- 在医学图像分析中对各种主动学习方法进行实验性比较分析.
主要成果:
- 积极学习显著减少了在医学成像中需要广泛的手动注释的需要.
- 与其他标签效率高的方法的整合提高了AL的有效性.
- 对比分析为不同AL策略的性能提供经验证据.
结论:
- 积极学习对于医疗图像分析中深度学习的成本效益发展至关重要.
- 未来的研究应该专注于新的AL策略及其与新兴AI技术的整合.
- 解决AL实施中的挑战将加速AI在医疗保健中的采用.
