Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities

要約

目的: 自動セグメンテーションで深層学習 (DL) モデルをトレーニングするための手動アノテーションは時間がかかります。
この研究では、最も有益なトレーニング サンプルを選択することでアノテーションの労力を軽減するために、不確実性ベースのベイジアン アクティブ ラーニング (BAL) フレームワーク内に密度と多様性の両方の基準を統合するハイブリッド表現強化サンプリング戦略を導入しています。
方法: 実験は、U-net を利用して、大腿骨、骨盤、仙骨、大腿四頭筋、ハムストリングス、内転筋、縫工筋、腸腰筋のセグメンテーションに焦点を当てた、MRI および CT 画像の 2 つの下肢 (LE) データセットに対して実行されます。
BAL フレームワークに基づいています。
私たちの方法では、手動修正用に高密度で多様性のある不確かなサンプルを選択し、ラベルのないインスタンスとの類似性を最大限に高め、既存のトレーニング データとの類似性を最小限に抑えるように最適化します。
Dice とアノテーション削減コスト (RAC) と呼ばれる提案された指標をそれぞれ使用して、精度と効率を評価します。
さらに、BAL のパフォーマンスに対するさまざまな取得ルールの影響を評価し、有効性を推定するためのアブレーション研究を設計します。
結果: MRI および CT データセットでは、私たちの方法は既存の方法よりも優れているか同等であり、CT では 0.8\% Dice および 1.0\% RAC の増加 (統計的に有意)、および CT では 0.8\% Dice および 1.1\% RAC の増加を達成しました。
ボリュームごとの取得における MRI (統計的に有意ではない)。
私たちのアブレーション研究では、密度と多様性の基準を組み合わせることで、いずれかの基準を単独で使用する場合と比較して、筋骨格セグメンテーションにおける BAL の効率が向上することが示されています。
結論: 私たちのサンプリング方法は、画像セグメンテーション タスクにおけるアノテーション コストの削減に効果的であることが証明されています。
提案された方法と BAL フレームワークを組み合わせることで、医療画像データセットに効率的にアノテーションを付けるための半自動の方法が提供されます。

要約(オリジナル)

Purpose: Manual annotations for training deep learning (DL) models in auto-segmentation are time-intensive. This study introduces a hybrid representation-enhanced sampling strategy that integrates both density and diversity criteria within an uncertainty-based Bayesian active learning (BAL) framework to reduce annotation efforts by selecting the most informative training samples. Methods: The experiments are performed on two lower extremity (LE) datasets of MRI and CT images, focusing on the segmentation of the femur, pelvis, sacrum, quadriceps femoris, hamstrings, adductors, sartorius, and iliopsoas, utilizing a U-net-based BAL framework. Our method selects uncertain samples with high density and diversity for manual revision, optimizing for maximal similarity to unlabeled instances and minimal similarity to existing training data. We assess the accuracy and efficiency using Dice and a proposed metric called reduced annotation cost (RAC), respectively. We further evaluate the impact of various acquisition rules on BAL performance and design an ablation study for effectiveness estimation. Results: In MRI and CT datasets, our method was superior or comparable to existing ones, achieving a 0.8\% Dice and 1.0\% RAC increase in CT (statistically significant), and a 0.8\% Dice and 1.1\% RAC increase in MRI (not statistically significant) in volume-wise acquisition. Our ablation study indicates that combining density and diversity criteria enhances the efficiency of BAL in musculoskeletal segmentation compared to using either criterion alone. Conclusion: Our sampling method is proven efficient in reducing annotation costs in image segmentation tasks. The combination of the proposed method and our BAL framework provides a semi-automatic way for efficient annotation of medical image datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google