Breaking the Barrier: Selective Uncertainty-based Active Learning for Medical Image Segmentation

要約

アクティブ ラーニング (AL) は、注釈の作業負荷を軽減し、パフォーマンスを向上させることを目的として、医療画像のセグメンテーションに広く応用されています。
エントロピーやベイジアンなどの従来の不確実性ベースの AL 手法は、多くの場合、すべてのピクセルレベルのメトリクスの集計に依存します。
しかし、不均衡な設定では、これらの方法は、病変や腫瘍などの標的領域の重要性を無視する傾向があります。
さらに、不確実性に基づいた選択により冗長性が生じます。
これらの要因によりパフォーマンスが不十分になり、多くの場合、ランダム サンプリングのパフォーマンスが低下することさえあります。
この問題を解決するために、選択的不確実性ベースの AL と呼ばれる新しいアプローチを導入し、すべてのピクセルのメトリクスを合計する従来の手法を回避します。
私たちの戦略は、フィルタリング プロセスを通じて、ターゲット領域内のピクセルと決定境界付近のピクセルを優先します。
これにより、前述のターゲット領域の無視と冗長性が解決されます。
私たちの手法は、5 つの異なる不確実性ベースの手法と 2 つの異なるデータセットにわたって大幅な改善を示し、より少ないラベル付きデータを使用して教師付きベースラインに到達し、一貫して最高の総合パフォーマンスを達成しました。
私たちのコードは https://github.com/HelenMa9998/Selective\_Uncertainty\_AL で入手できます。

要約(オリジナル)

Active learning (AL) has found wide applications in medical image segmentation, aiming to alleviate the annotation workload and enhance performance. Conventional uncertainty-based AL methods, such as entropy and Bayesian, often rely on an aggregate of all pixel-level metrics. However, in imbalanced settings, these methods tend to neglect the significance of target regions, eg., lesions, and tumors. Moreover, uncertainty-based selection introduces redundancy. These factors lead to unsatisfactory performance, and in many cases, even underperform random sampling. To solve this problem, we introduce a novel approach called the Selective Uncertainty-based AL, avoiding the conventional practice of summing up the metrics of all pixels. Through a filtering process, our strategy prioritizes pixels within target areas and those near decision boundaries. This resolves the aforementioned disregard for target areas and redundancy. Our method showed substantial improvements across five different uncertainty-based methods and two distinct datasets, utilizing fewer labeled data to reach the supervised baseline and consistently achieving the highest overall performance. Our code is available at https://github.com/HelenMa9998/Selective\_Uncertainty\_AL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google