Jan, 2024

突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用

PDF
TL;DR通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。
active learningmedical image segmentationuncertainty-based methodstarget areasredundancy
发现论文，激发创造
  • 关于主动学习图像分割中的不确定度估计

    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

  • 基于不确定度采样、注释冗余限制和数据初始化的脑肿瘤分割主动学习

    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

  • 基于预测准确度的医学图像分割主动学习

    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

  • EdgeAL：基于边缘估计的光学相干断层扫描的主动学习方法

    利用未见数据的边缘信息作为先验信息进行不确定度测量，提出了 EdgeAL 主动学习算法，并在多类别光学相干断层扫描（OCT）分割任务中取得了 99% 的 Dice 分数，同时将注释标签成本分别降低了 12%、2.3% 和 3%（在三个公开数据集 Duke，AROI 和 UMN 上）

    Jul, 2023

  • 手术视频分割的相关感知主动学习

    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

  • 利用不确定性和多样抽样的两步主动学习实例分割

    我们提出了一种后期主动学习算法，该算法将基于不确定性的采样与基于多样性的采样相结合，不仅简单易实现，而且在各种数据集上都具有出色的表现，其实际应用在实际的高空图像数据集中增加了五倍的标注效率。

    Sep, 2023

  • 自我监督辅助主动学习用于皮肤病变分割

    本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

    May, 2022

  • 通过主动学习实现高效的息肉分割

    提出了一种深度主动学习框架，用于高效标记息肉分割，在有限的标注预算下实现了最佳性能。

    Mar, 2024

  • 边缘引导和类别平衡的主动学习用于航空图像的语义分割

    提出了基于边缘指导的标注单元作为新单元以及对类别不平衡的综合性处理，改进的方法在三个基准数据集上相比最先进方法获得了超过 11.2% 的性能提升，并相比基准模型提高了超过 18.6% 的性能表现，为未来关于航空图像语义分割的主动学习研究建立了公平而强大的基准。

    May, 2024

  • 全切片图像语义分割中的主动学习自适应区域选择

    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