迭代优化和统计结果验证的高效人机互动式深度学习模型训练

Apr, 2023

迭代优化和统计结果验证的高效人机互动式深度学习模型训练

Efficient human-in-loop deep learning model training with iterative refinement and statistical result validation

Manuel Zahn, Douglas P. Perrin

TL;DR本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Abstract

Annotation and labeling of images are some of the biggest challenges in applying deep learning to medical data. Current processes are time and cost-intensive and, therefore, a limiting factor for the wide adoptio

deep learning medical data segmentations model accuracy ultrasound imaging

发现论文，激发创造

医学图像分割的可信深度学习

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023

利用不确定性评估预测分割质量

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018

医学图像分割中区分人类错误和基本事实

本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

训练，学习，扩展，重复

这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

Mar, 2020

基于迭代深度学习的无偏见立体学与人机交互

通过引入一种迭代的深度学习方法，利用无偏态系学的方法基于感兴趣区域内的深度图像，提高细胞分割与计数，使得机器学习模型在缺少标注数据的情况下具有更好的性能表现。

Jan, 2019

基于深度学习的医学图像分割与不精确标注

医学图像分割 (MIS) 在医学图像分析中起着关键作用，目前主流的 MIS 方法基于深度神经网络 (DNNs)，该方法主要训练医生生成的注释掩膜数据集，然而由于不同医生生成的注释掩膜可能存在差异，因此本文利用多专家注释来提高模型对新医生的适应性，并在 MRI 脑分割任务上进行了试验，结果表明，在只使用新医生提供的几个注释进行轻量级微调后，模型在新医生上的适用性可以得到有效增强。

Feb, 2024

通过任意模型评估语义分割数据的标签质量和误差

研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

Jul, 2023

从噪音注释中学习分割胎儿脑组织

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

用于超声应用的零样本基本模型的语义分割精化器

通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。

Apr, 2024

学习从噪声标注中分割皮肤病变

该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

Jun, 2019