医療画像セグメンテーションのための予測精度ベースのアクティブラーニング
アクティブラーニングは、深層学習ベースのセグメンテーション手法の高い教師データ依存性と医療画像の高コストなピクセルレベルの注釈付けの矛盾を緩和するための有効な解決策と考えられている。しかし、多くの既存手法は信頼できない不確実性評価と多様性と情報量のバランスの取れない問題に苦しんでおり、セグメンテーションタスクの性能が低い。そこで、我々は予測精度ベースのアクティブラーニング(PAAL)手法を提案し、予測精度の概念を初めて導入する。PAALの核心的なアイデアは、目標モデルの未ラベルサンプルのセグメンテーション精度を正確に予測できる学習可能なモジュールを使用し、多様性ベースのクエリ戦略を用いて不確実性と多様性の両立を図ることである。