On-the-Fly Point Annotation for Fast Medical Video Labeling

目的：在医学研究中，深度学习模型依赖于高质量的注释数据，这是一个常常费时费力的过程，特别是对于需要边界框注释的检测任务而言更为如此。由于需要调整两个角落，这个过程本质上是逐帧进行的。鉴于专家时间的稀缺性，需要高效的注释方法适合临床医生使用。方法：我们提出了一种即时视频注释的方法，以提高注释效率。在这种方法中，通过将光标保持在实时视频中的对象上，维持连续的单点注释，从而减轻了传统注释方法中固有的冗长暂停和重复导航的需要。这种新颖的注释范式继承了点注释使用点对框教师模型生成伪标签的能力。我们通过开发数据集并比较即时注释时间和传统注释方法来经验性地评估了这种方法。结果：使用我们的方法，注释速度比传统注释技术快3.2倍。在等价注释预算下，在开发的数据集上，我们实现了6.51 +- 0.98 AP@50的平均改进。结论：我们的方法没有花哨的东西，在注释任务中提供了显著的加速。它可以轻松地实现在任何注释平台上，以加速深度学习在基于视频的医学研究中的集成。

提高医学研究中深度学习模型的标注效率，减少标注过程中的重复操作和时间消耗。

提出一种实时视频标注的方法，通过实时跟踪光标来维持连续的单点标注，减少了传统标注方法中的暂停和重复导航的需求。同时，该方法可以使用点到框的教师模型生成伪标签。

实验结果表明，使用该方法的标注速度比传统标注技术快3.2倍，同时在相同标注预算下，与传统方法相比，平均改善了6.51+-0.98 AP@50。该方法可以在任何标注平台上轻松实现，加速深度学习在基于视频的医学研究中的应用。

近期的相关研究包括基于弱监督的标注方法和自动标注方法，例如《Weakly Supervised Object Localization Using Progressive Domain Adaptation》和《Automatic Annotation of Medical Imaging Data for Deep Learning》。