Kernkonzepte
Eine effiziente Methode zum aktiven Lernen, die Unsicherheit und Diversität von Proben gemeinsam erfasst, um die Kosten für die Annotation zu minimieren und die Leistung des Segmentierungsmodells zu verbessern.
Zusammenfassung
Die Studie präsentiert einen Rahmen für aktives Lernen zur effizienten Polypsegmentierung. Kernpunkte sind:
Unsicherheitsbasierte Auswahl: Die Unsicherheit einer Probe wird durch die Ähnlichkeit der Merkmale in der Vorhersagekarte des Polypen und des Hintergrunds gemessen. Proben mit ähnlichen Merkmalen in Vorder- und Hintergrund sind für das Modell schwieriger zu segmentieren und werden daher priorisiert.
Repräsentative Auswahl: Die bildebenen Merkmale werden geclustert, wobei die Cluster-Zentren, die die repräsentativsten Proben darstellen, ausgewählt werden. Die Clusterung wird durch die Unsicherheitsgewichtung beeinflusst, um sowohl Unsicherheit als auch Diversität zu erfassen.
Merkmalsdiskrepanzlernen: Ein unüberwachter Ansatz, der die Unterscheidbarkeit der Merkmale von Polyp- und Hintergrundklassen für ungelabelte Proben verstärkt. Dies verbessert die Robustheit der Merkmalsrepräsentation und unterstützt die Auswahl informativer Proben.
Die vorgeschlagene Methode übertrifft andere aktive Lernverfahren auf öffentlichen und internen Datensätzen deutlich und zeigt die Vorteile des gemeinsamen Erfassens von Unsicherheit und Diversität für die medizinische Segmentierung.
Statistiken
Die Segmentierungsleistung wird anhand der Metriken mittlerer Intersection-over-Union (mIoU) und Dice-Koeffizient evaluiert.
Zitate
Keine relevanten Zitate identifiziert.