Predictive Accuracy-Based Active Learning for Medical Image Segmentation

要約

アクティブ ラーニングは、注釈付きデータに対するディープ ラーニング ベースのセグメンテーション手法の高い依存性と、医療画像のピクセル レベルの注釈コストの高さとの間の矛盾を軽減する実行可能なソリューションと考えられています。
しかし、既存の手法のほとんどは、信頼性の低い不確実性評価と、多様性と情報性のバランスをとるのに苦労しており、セグメンテーション タスクのパフォーマンスの低下につながります。
これに応えて、我々は、医療画像セグメンテーションのための効率的な予測精度ベースの能動学習 (PAAL) 手法を提案し、最初に不確実性を定義するために予測精度を導入します。
具体的には、PAAL は主に、Accuracy Predictor (AP) と Weighted Polling Strategy (WPS) で構成されます。
前者は、予測事後確率を使用して、ターゲット モデルに対するラベルのないサンプルのセグメンテーション精度を正確に予測できる、付属の学習可能なモジュールです。
後者は、取得されたサンプルの不確実性と多様性を確保することを目的として、予測精度と特徴表現を組み合わせることにより効率的なハイブリッド クエリ スキームを提供します。
複数のデータセットに関する広範な実験結果により、PAAL の優位性が実証されています。
PAAL は、完全にアノテーションが付けられたデータと同等の精度を達成しながら、アノテーションのコストを約 50% ～ 80% 削減し、臨床応用で大きな可能性を示します。
コードは https://github.com/shijun18/PAAL-MedSeg で入手できます。

要約(オリジナル)

Active learning is considered a viable solution to alleviate the contradiction between the high dependency of deep learning-based segmentation methods on annotated data and the expensive pixel-level annotation cost of medical images. However, most existing methods suffer from unreliable uncertainty assessment and the struggle to balance diversity and informativeness, leading to poor performance in segmentation tasks. In response, we propose an efficient Predictive Accuracy-based Active Learning (PAAL) method for medical image segmentation, first introducing predictive accuracy to define uncertainty. Specifically, PAAL mainly consists of an Accuracy Predictor (AP) and a Weighted Polling Strategy (WPS). The former is an attached learnable module that can accurately predict the segmentation accuracy of unlabeled samples relative to the target model with the predicted posterior probability. The latter provides an efficient hybrid querying scheme by combining predicted accuracy and feature representation, aiming to ensure the uncertainty and diversity of the acquired samples. Extensive experiment results on multiple datasets demonstrate the superiority of PAAL. PAAL achieves comparable accuracy to fully annotated data while reducing annotation costs by approximately 50% to 80%, showcasing significant potential in clinical applications. The code is available at https://github.com/shijun18/PAAL-MedSeg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google