cRedAnno+: Annotation Exploitation in Self-Explanatory Lung Nodule Diagnosis

要約

最近、肺結節診断のための機能ベースの自明モデルで注釈要件を減らす試みが行われました。
代表として、cRedAnno は、教師なし特徴抽出を行うために自己教師あり対照学習を導入することにより、アノテーションの必要性を大幅に減らして競争力のあるパフォーマンスを実現します。
ただし、アノテーションが不足している状況では、パフォーマンスが不安定になります。
cRedAnno の精度と堅牢性を向上させるために、学習した意味的に意味のある空間で半教師付きアクティブ学習を実行して、抽出された特徴、注釈、およびラベル付けされていないデータを共同利用することにより、注釈活用メカニズムを提案します。
提案されたアプローチは、10 分の 1 のアノテーションで同等またはそれ以上の悪性予測精度を達成し、一方でより優れたロバスト性と結節属性予測精度を示しています。
私たちの完全なコードはオープンソースで入手できます: https://github.com/diku-dk/credanno.

要約(オリジナル)

Recently, attempts have been made to reduce annotation requirements in feature-based self-explanatory models for lung nodule diagnosis. As a representative, cRedAnno achieves competitive performance with considerably reduced annotation needs by introducing self-supervised contrastive learning to do unsupervised feature extraction. However, it exhibits unstable performance under scarce annotation conditions. To improve the accuracy and robustness of cRedAnno, we propose an annotation exploitation mechanism by conducting semi-supervised active learning in the learned semantically meaningful space to jointly utilise the extracted features, annotations, and unlabelled data. The proposed approach achieves comparable or even higher malignancy prediction accuracy with 10x fewer annotations, meanwhile showing better robustness and nodule attribute prediction accuracy. Our complete code is open-source available: https://github.com/diku-dk/credanno.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google