Keskeiset käsitteet
Aktives Lernen ist effektiv bei Datenknappheit in der medizinischen Bildgebung.
Tiivistelmä
In dieser Studie wird die Effektivität von aktiven Lernmethoden in der medizinischen Bildgebung untersucht. Es werden verschiedene Erwerbsfunktionen verglichen und die Auswirkung der Größe des erworbenen Datensatzes auf die Leistung des Modells analysiert. Die Autoren zeigen, dass Unsicherheit bei der Melanomerkennung nützlich ist und dass die BALD-Erwerbsfunktion im Durchschnitt besser abschneidet. Es wird auch festgestellt, dass alle Erwerbsfunktionen bei positiven Proben schlecht abschneiden, was auf eine Ausnutzung des Klassenungleichgewichts hinweist.
1. Einleitung
Aktives Lernen nutzt wenige Trainingsbeispiele effizient.
Auswahl neuer Proben basierend auf Unsicherheitsmaßen.
2. Erwerbsfunktionen
Maximum Entropy: Maximierung der Entropie des Modells.
Mean Standard Deviation: Nutzt die Varianz des Modells.
BALD: Maximierung der gegenseitigen Information.
3. Datensatz und Aufgabenbeschreibung
ISIC 2016 Datensatz für die Melanomerkennung.
Binäre Klassifikation von krebsartigen und nicht-krebsartigen Bildern.
4. Hyperparameter und Experimente
Verwendung von CNNs mit spezifischen Hyperparametern.
Training mit kleinen Datensätzen und Aktualisierung des Trainingssets.
5. Ergebnisse und Diskussion
Bedeutung von Unsicherheit für die Melanomerkennung.
Vergleich der Leistung verschiedener Erwerbsfunktionen.
Auswirkung der Größe der erworbenen Proben auf die Leistung des Modells.
6. Schlussfolgerung und zukünftige Arbeiten
Aktives Lernen ist vorteilhaft für die Melanomerkennung.
Untersuchung neuer Erwerbsfunktionen für verbesserte Leistung.
Tilastot
Unsere Ergebnisse legen nahe, dass Unsicherheit nützlich ist für die Melanomerkennungsaufgabe.
Die BALD-Erwerbsfunktion zeigt im Durchschnitt bessere Leistung als andere Funktionen.
Lainaukset
"Unsicherheit ist nützlich für die Melanomerkennungsaufgabe."
"Die BALD-Erwerbsfunktion maximiert die gegenseitige Information."