[论文地址] [代码] [ISBI 21]
Abstract
在过去的十年中，深度学习方法在医学图像分割任务中取得了最先进的成果。然而，获得足够的标记数据的困难可能是一个瓶颈。为此，我们设计了一个专门适用于脑瘤分割的新型主动学习框架。我们的方法包括一个新颖的标注成本，旨在捕捉放射科医生的实际标注成本。这与两个获取函数相结合，以纳入不确定性和代表性信息，确保主动学习选择信息丰富和多样化的数据。由此产生的程序是一个受限的组合优化问题。我们为这一任务提出了一种有效的算法，并展示了所提出的方法在分割脑部MRI数据方面的优势。
Method
本文甚至没给一个方法流程图…那么就直接开门见山，分析下本文如何判断样本的价值(价值函数)。此外，由于本文还属于Cost-Effective Active Learning这个子领域，因此还涉及到一个成本函数的问题(即在Cost-Effective的设置下，标注不同的样本的成本是不同的)，不过这个成本函数本文不予介绍。
Uncertainty 直接用的MC-Dropout
Representativeness 定义了一个pairwise similarity。也就是在选出高不确定性样本后，算他们之间的特征相似度，如果相似度高的话代表性就低了。我们希望的是在不确定性高的同时，相似度也要低。
Pipeline
其实本文的重心事实在Representativeness上…但是从不确定性最高的样本集合中，选出一个互相相似度最低的子集，本质上是个NP难问题，所以会比较麻烦。
Experiment
Backbone SegResNet [1]。
Dataset BraTS 2018 [link]。公开训练集有285个case，随机挑选233个case作为本文训练集，剩余52个case作为本文测试集
Baseline Random Sampling, Max Entropy, BALD，都是非常老的方法了
Result 横轴是本文自定的cost，而非经典的样本数
Reference
[1] Myronenko, Andriy. “3D MRI brain tumor segmentation using autoencoder regularization.” International MICCAI Brainlesion Workshop. Springer, Cham, 2018.