本文综述了应用于不同分割框架中的不同类型的先验知识，重点介绍了将先验信息纳入其框架的基于优化的方法，并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外，我们还讨论了能量函数设计的不同方面、存在的问题和未来的前景。

Jul, 2016

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

本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

Jul, 2020

本文针对医学图像分割，通过评估多种主流主动学习策略在三个数据集上的表现，并提出针对3D图像数据的分层采样策略来作为评估基准，发现随机采样和分层采样对于医学图像分割来说是强有力的评估指标，同时探讨其优缺点，并提供了一个开源框架供其他研究者在多个医学图像分割数据集上进行主动学习策略的基准测试。

Jul, 2022

本研究探讨了使用dropout不确定性评估的active learning策略以降低医学3D成像中神经胶质瘤MRI图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。

Feb, 2023

本文提出了一种基于区域的主动学习方法，可以更高效地训练监督分割模型，以实现乳腺癌转移细胞分割的任务，并在公共数据集（CAMELYON16）上验证了这种方法的有效性。

Jul, 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

本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中有效地降低标注成本。

Jul, 2023

Focused Active Learning combines Bayesian Neural Network with Out-of-Distribution detection to estimate different uncertainties for acquisition and outperforms existing methods for prostate cancer classification.

Apr, 2024

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