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

本文提出了一种基于 Convolutional Neural Networks 和 Active Contour Models 的 Deep Active Lesion Segmentation (DALS) 框架用于器官病变分割，该框架在新的 Multiorgan Lesion Segmentation (MLS) 数据集上取得了比竞争方法更好的性能。

Aug, 2019

该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

Nov, 2023

医学图像分割是医学图像分析中的关键任务。近年来，基于深度学习的方法在完整注释数据集上训练时展现出出色的性能。然而，数据注释往往是一个重要的瓶颈，特别是对于 3D 医学图像。主动学习是一种有效注释的有希望的解决方案，但需要一组初始标记样本来开始主动选择。当整个数据池是无标签的时候，我们该如何选择样本作为初始集合进行注释？这也被称为冷启动主动学习，只允许一次向专家请求注释而无法获得先前已注释数据的访问权限。冷启动主动学习在许多实际场景中都非常相关但却鲜有深入探讨，特别是对需要大量注释工作的 3D 医学分割任务来说。在本文中，我们通过在公开的医学分割 Decathlon 数据集中评估六种冷启动主动学习策略上的五个 3D 医学图像分割任务来提出了一个名为 COLosSAL 的基准测试。我们进行了详尽的性能分析并探讨了冷启动主动学习的一些重要问题，如不同策略对预算的影响。我们的结果表明，对于 3D 分割任务而言，冷启动主动学习仍然是一个未解决的问题，但也观察到了一些重要的趋势。我们公开提供了完整基准测试的代码存储库、数据划分和基准结果。

Jul, 2023

通过引入预测准确率来定义不确定性，我们提出了一种高效的基于预测准确率的主动学习方法（PAAL）用于医学图像分割，在保证采集样本的不确定性和多样性的同时，显著降低了大约 50% 到 80% 的标注成本，具有在临床应用中的重要潜力。

May, 2024

使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

Jun, 2018

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

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

本研究提出了一个新颖的主动学习框架，利用 Monte Carlo 取样的 Dropout 来建模像素级别的不确定性，并分析图像信息，以有效地训练医学成像的卷积神经网络进行语义分割，且仅需要一个有限的标记训练数据。

Nov, 2017

本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

Jun, 2017