Guided Active Learning for Medical Image Segmentation

Bernhard Föllmer

doi:10.1007/978-3-032-08970-0_6

Guided Active Learning for Medical Image Segmentation

2026-01-01

0

PRE

AI

DOI：10.1007/978-3-032-08970-0_6

原文链接

原文求助

摘要

En 中文

主动学习通过仅选择最具信息量的样本，有潜力降低医学图像分割中的标注成本。然而，传统方法通常依赖基于模型的信息量度量，将专家的角色限制为被动标注预选图像，这限制了专家根据临床目标对分割目标进行驱动的优先排序。为解决此限制，我们提出了GALMIS（医学图像分割的引导式主动学习），一种将专家驱动指导整合到信息样本选择过程中的新型框架。通过利用子模子集选择，GALMIS确保所选样本不仅具有信息量，而且与预定义的分割目标在临床上相关。我们在模拟和真实主动学习场景中评估了我们的方法，针对：(1)腹部CT中的前景-前景类别不平衡问题，以及(2)心脏CT中冠状动脉分割的临床目标。结果表明，与传统的主动学习方法相比，我们的方法在临床相关目标上提高了标注效率。代码可在https://github.com/Berni1557/TAL获取。

Keyword:

Targeted Active Learning

Human-in-the-Loop

Medical Image Segmentation

Submodular Subset Selection

Active Learning

Guided Active Learning for Medical Image Segmentation

摘要

期刊

机构