本文介绍由中国科学院深圳先进技术研究院为第一单位发表在 Nature Communications 的研究成果：本文作者提出了一个标注高效的深度学习开源框架，Annotation-effIcient Deep lEarning (AIDE)。AIDE可用于处理具有稀缺或噪声标注的数据集，以统一框架处理医学图像分析常见的半监督学习、无监督域适应和噪声标签学习任务。通过方法分析和大量实验评估，AIDE在具有稀缺或噪声标注的公开数据集上比传统的全监督模型表现出了更好的性能。通过真实的乳腺肿瘤分割案例研究进一步测试了AIDE的性能。基于来自三个医疗中心的11852张乳腺图像，AIDE仅利用10%的训练标注，生成的分割图与完全监督方法生成的或年轻放射科医生手动标注的结果较一致。乳腺肿瘤分割案例显示AIDE利用专家标注的效率可提高10倍，有助于促进AIDE在临床医学图像分析的广泛应用。

论文链接：https://doi.org/10.1038/s41467-021-26216-9

代码链接：https://github.com/lich0031/AIDE

AIDE的总体框架和本文使用的数据集图像示例如下图所示。

内容中包含的图片若涉及版权问题，请及时与我们联系删除