Aug, 2023
基于测试时增强的主动学习与自训练的高效标签分割
Test-time augmentation-based active learning and self-training for
label-efficient segmentation
TL;DR深度学习技术依赖于大规模数据集，其注释非常耗时。为了减轻注释负担，已经开发了自训练（ST）和主动学习（AL）方法，以及将它们以迭代方式结合的方法。然而，尚不清楚每种方法最有用的时间以及在何时结合它们是有优势的。本文提出了一种新的方法，它使用测试时增强（TTA）将ST与AL相结合。首先，在初始教师网络上进行TTA。然后，根据最低估计的Dice分数选择标注案例。高估计分数的案例被用作ST的软伪标签。使用现有的带标注案例和带边界切片标注的ST案例对所选的标注案例进行训练。我们在不同数据变异性特征的MRI胎体和胎盘分割任务上演示了该方法。我们的结果表明，ST对两个任务都非常有效，提高了ID和OOD数据的性能。然而，当ST与AL结合时，对单序列胎体分割的性能有所改进，但对ID数据的多序列胎盘分割性能略有下降。对于高变异性的胎盘数据，AL是有帮助的，但对于单序列胎体数据，它不比随机选择更好。在胎体分割序列转移方面，将AL与ST结合在ST迭代后，只使用6个原始扫描和2个新序列扫描就可以获得Dice系数为0.961。仅使用15个高变异性胎盘案例的结果与使用50个案例的结果类似。代码在此https://URL可用。