PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification

要約

近年、医用画像診断支援においてディープラーニングは画期的な技術となっています。
畳み込みニューラル ネットワーク (CNN) を使用した教師あり学習は、最先端のパフォーマンスを提供し、さまざまな医用画像のセグメンテーションと分類のベンチマークとして機能します。
ただし、教師あり学習は大規模な注釈付きデータに大きく依存しているため、医療画像アプリケーションで取得するには費用と時間がかかり、非現実的ですらあります。
アクティブ ラーニング (AL) 手法は、ラベルのないデータ プールからより価値のあるサンプルを選択することで注釈コストを削減するために、自然画像分類タスクに広く適用されてきました。
ただし、医用画像セグメンテーション タスクへの応用は限られており、現在、3D 医用画像セグメンテーション用に特別に設計された効果的かつ汎用的な AL ベースの方法はありません。
この制限に対処するために、2D 医用画像の分類、セグメンテーション、および 3D 医用画像のセグメンテーションのタスクに同時に適用できる AL ベースの方法を提案します。
私たちは、公開されている 3 つの困難な医療画像データセット、Kvasir データセット、新型コロナウイルス感染症セグメンテーション データセット、BraTS2019 データセットに対して、提案したアクティブ ラーニング手法を広範囲に検証しました。
実験結果は、PCDAL が 2D 分類およびセグメンテーションおよび 3D セグメンテーション タスクにおいて、より少ない注釈で大幅に向上したパフォーマンスを達成できることを示しています。
この研究のコードは https://github.com/ortonwang/PCDAL で入手できます。

要約(オリジナル)

In recent years, deep learning has become a breakthrough technique in assisting medical image diagnosis. Supervised learning using convolutional neural networks (CNN) provides state-of-the-art performance and has served as a benchmark for various medical image segmentation and classification. However, supervised learning deeply relies on large-scale annotated data, which is expensive, time-consuming, and even impractical to acquire in medical imaging applications. Active Learning (AL) methods have been widely applied in natural image classification tasks to reduce annotation costs by selecting more valuable examples from the unlabeled data pool. However, their application in medical image segmentation tasks is limited, and there is currently no effective and universal AL-based method specifically designed for 3D medical image segmentation. To address this limitation, we propose an AL-based method that can be simultaneously applied to 2D medical image classification, segmentation, and 3D medical image segmentation tasks. We extensively validated our proposed active learning method on three publicly available and challenging medical image datasets, Kvasir Dataset, COVID-19 Infection Segmentation Dataset, and BraTS2019 Dataset. The experimental results demonstrate that our PCDAL can achieve significantly improved performance with fewer annotations in 2D classification and segmentation and 3D segmentation tasks. The codes of this study are available at https://github.com/ortonwang/PCDAL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google