本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

Sep, 2018

本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

Jun, 2022

医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

Oct, 2023

本文介绍了一种新的多模态变分对抗主动学习方法，通过使用来自辅助信息的额外模态来增强主动采样，在医学图像分析等诸多领域中具有广泛应用价值。

Jun, 2023

图像标注是医学成像和疾病诊断领域中确保患者适当治疗和追踪疗程进展的最重要任务之一。通过使用深度学习的分割算法和主动学习方法，MedDeepCyleAL 提供了一个完整的端到端框架，可自动化图像标注并在眼科数据方面表现出优越性能。

Mar, 2024

本文提出一种解决在打标签样本池中既包含目标类和非目标类的情况下如何查询样本的问题的方法 ——OpenAL，并在细粒度分类病理图像的实验中表明其可以显著提高目标类样本的查询质量，达到比当前最先进的主动学习方法更高的性能。

Jul, 2023

通过将可解释的深度学习模型集成到深度主动学习框架中，ProtoAL 方法旨在解决医学图像领域中当前解释性和数据需求方面的挑战，提高 DL 模型在医学领域中的实际可用性，并为数据稀缺情况下的学习提供合适的解决方案。

Apr, 2024

研究 DAL 的不同方法，提出 DeepAL+ 工具包，并通过分类实验评估 DAL 方法的性能效果，提供更好的数据标注方法以提高模型性能。

Mar, 2022

本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

Jul, 2020

这篇文章探讨了深度主动学习的现状和未来发展方向，介绍了目前现有的挖掘数据特征的多种方法，并且对 “深度主动学习” 进行了定义和系统梳理。

Aug, 2020