[论文解读] Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation

Josafat-Mattias Burmeister, Marcel Fernandez Rosas+6 more|arXiv (Cornell University)|Jul 2, 2022

Machine Learning and Algorithms被引用 6

一句话总结

本文评估了用于3D医学图像分割的主动学习策略，提出了一种基于空间插值生成伪标签的分段采样方法。结果表明，随机采样与所提出的分段采样均可作为强基线，后者通过利用3D图像结构提升了性能，并提供了开源基准测试框架，以实现跨数据集的可复现比较。

ABSTRACT

Since labeling medical image data is a costly and labor-intensive process, active learning has gained much popularity in the medical image segmentation domain in recent years. A variety of active learning strategies have been proposed in the literature, but their effectiveness is highly dependent on the dataset and training scenario. To facilitate the comparison of existing strategies and provide a baseline for evaluating novel strategies, we evaluate the performance of several well-known active learning strategies on three datasets from the Medical Segmentation Decathlon. Additionally, we consider a strided sampling strategy specifically tailored to 3D image data. We demonstrate that both random and strided sampling act as strong baselines and discuss the advantages and disadvantages of the studied methods. To allow other researchers to compare their work to our results, we provide an open-source framework for benchmarking active learning strategies on a variety of medical segmentation datasets.

研究动机与目标

• 评估并比较在3D医学图像分割任务中已建立的主动学习策略——不确定性采样、代表性采样和随机采样。
• 提出并评估一种新颖的分段采样策略，通过在3D图像切片间插值生成伪标签，以提高标注效率。
• 通过展示随机采样和分段采样在三个Medical Segmentation Decathlon数据集上优于或匹配复杂主动学习方法，为未来研究建立强基线。
• 提供一个开源基准测试框架，以实现对多样化3D医学分割数据集上主动学习策略的可复现评估。

提出的方法

• 提出一种分段采样策略，基于不确定性选择非相邻的3D图像切片，然后通过插值在它们之间生成伪标签。
• 使用最小置信度和香农熵的不确定性采样方法，识别最不确定的预测结果以供标注。
• 应用两种插值技术——符号距离和形态学轮廓插值，以生成未标注切片的伪标签，提升数据多样性并增强模型泛化能力。
• 采用3D U-Net架构进行分割，并在多个主动学习迭代中使用Dice分数评估性能。
• 引入块大小超参数以控制采样切片之间的间距，并对块大小5、10和15进行消融实验。
• 开发了一个开源基准测试框架（active-segmentation），以标准化跨数据集、模型和查询策略的评估。

实验结果

研究问题

• RQ1 在多个3D医学图像数据集中，不确定性采样、代表性采样和随机采样在分割性能方面如何比较？
• RQ2 结合插值的分段采样策略是否能在3D医学图像分割中优于标准主动学习方法？
• RQ3 不同的插值方法——符号距离与形态学轮廓——对伪标签质量及下游分割准确率有何影响？
• RQ4 分段采样中不同块大小对模型性能和标注效率有何影响？
• RQ5 随机采样和分段采样在多大程度上可作为未来3D医学影像主动学习研究的强基线？

主要发现

• 在心脏数据集中，采用形态学轮廓插值和块大小15的分段采样策略，在50次主动学习迭代时达到Dice分数0.552 ± 0.030，优于大多数基于不确定性的策略。
• 在心脏数据集中，随机采样在50次迭代时达到Dice分数0.893 ± 0.004，证明其作为强基线的有效性。
• 在心脏数据集中，采用符号距离插值和块大小15的分段采样策略达到Dice分数0.901 ± 0.003，伪标签质量高，Dice分数达0.930 ± 0.085。
• 在海马体数据集中，表现最佳的分段策略（形态学轮廓，块大小10）在50次迭代时达到Dice分数0.807 ± 0.014，而随机采样达到0.834 ± 0.005。
• 通过符号距离插值生成的伪标签在块大小5时，于心脏数据集上达到Dice分数0.974 ± 0.045，表明其与真实标签高度一致。
• 开源基准测试框架支持在包括心脏、海马体和前列腺在内的多个3D医学分割数据集上，对主动学习策略进行可复现的评估与比较。