Predictive Accuracy-Based Active Learning for Medical Image Segmentation

主动学习被认为是缓解基于深度学习的分割方法对标注数据的高依赖性和医学图像昂贵的像素级注释成本之间矛盾的可行解决方案。然而，大多数现有方法存在不可靠的不确定性评估和平衡多样性和信息性的困难，导致分割任务的性能较差。为此，我们提出了一种高效的基于预测准确性的医学图像分割主动学习（PAAL）方法，首先引入预测准确性来定义不确定性。具体而言，PAAL主要包括一个准确性预测器（AP）和一个加权投票策略（WPS）。前者是一个附加的可学习模块，可以准确地预测未标记样本相对于目标模型的分割准确性，预测后验概率。后者通过结合预测准确性和特征表示提供了一种高效的混合查询方案，旨在确保获取的样本的不确定性和多样性。多个数据集的广泛实验结果证明了PAAL的优越性。PAAL实现了与完全注释数据相当的准确性，同时将注释成本降低了约50％至80％，展示了在临床应用中的重要潜力。该代码可在https://github.com/shijun18/PAAL-MedSeg上获得。

提高医学图像分割的主动学习的可靠性和效率，降低标注成本。

提出了一种基于预测准确度的主动学习方法（PAAL），通过Accuracy Predictor（AP）和Weighted Polling Strategy（WPS）两个模块，实现对未标注样本的准确性和多样性的高效筛选。

实验结果表明，PAAL在多个数据集上的表现都优于现有的主动学习方法，能够在保证分割准确度的同时，将标注成本降低50%到80%左右。代码已经开源。

与该论文相关的研究包括：1. Chen等人的《Active Learning for Deep Semantic Segmentation》；2. Zhang等人的《Active Learning for Convolutional Neural Networks: A Core-Set Approach》。