EdgeAL: An Edge Estimation Based Active Learning Approach for OCT Segmentation

要約

アクティブ ラーニング アルゴリズムは、限られたデータでモデルをトレーニングするためにますます人気が高まっています。
ただし、目に見えないデータで利用できる情報が限られているため、アノテーション用のデータを選択することは依然として困難な問題です。
この問題に対処するために、私たちは目に見えない画像のエッジ情報を不確実性を測定するための{\it a Priori}情報として利用するEdgeALを提案します。
不確実性は、エッジ全体にわたるモデル予測の発散とエントロピーを分析することによって定量化されます。
この測定値は、注釈用のスーパーピクセルを選択するために使用されます。
マルチクラスの光コヒーレンストモグラフィー (OCT) セグメンテーション タスクにおける EdgeAL の有効性を実証します。このタスクでは、公開されている 3 つのタスクで、アノテーション ラベルのコストをそれぞれ 12%、2.3%、3% に削減しながら、99% のサイコロ スコアを達成しました。
データセット (Duke、AROI、および UMN)。
ソース コードは \url{https://github.com/Mak-Ta-Reque/EdgeAL} で入手できます。

要約(オリジナル)

Active learning algorithms have become increasingly popular for training models with limited data. However, selecting data for annotation remains a challenging problem due to the limited information available on unseen data. To address this issue, we propose EdgeAL, which utilizes the edge information of unseen images as {\it a priori} information for measuring uncertainty. The uncertainty is quantified by analyzing the divergence and entropy in model predictions across edges. This measure is then used to select superpixels for annotation. We demonstrate the effectiveness of EdgeAL on multi-class Optical Coherence Tomography (OCT) segmentation tasks, where we achieved a 99% dice score while reducing the annotation label cost to 12%, 2.3%, and 3%, respectively, on three publicly available datasets (Duke, AROI, and UMN). The source code is available at \url{https://github.com/Mak-Ta-Reque/EdgeAL}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google