[论文解读] Cost-Effective Active Learning for Melanoma Segmentation

Marc Górriz Blanch, Axel Carlier+2 more|arXiv (Cornell University)|Nov 24, 2017

AI in cancer detection参考文献 8被引用 72

一句话总结

本文提出了一种成本有效的主动学习框架，使用 Monte Carlo dropout 来估算像素级不确定性并引导用于黑色素瘤分割的互补样本选择，在 ISIC 2017 的有限标注条件下，经过 9 次迭代达到 74% Dice。

ABSTRACT

We propose a novel Active Learning framework capable to train effectively a convolutional neural network for semantic segmentation of medical imaging, with a limited amount of training labeled data. Our contribution is a practical Cost-Effective Active Learning approach using dropout at test time as Monte Carlo sampling to model the pixel-wise uncertainty and to analyze the image information to improve the training performance. The source code of this project is available at https://marc-gorriz.github.io/CEAL-Medical-Image-Segmentation/ .

研究动机与目标

• 由于标注成本，推动降低医学影像分割的标注工作量。
• 开发一个面向医学影像的基于 CEAL 的实际可行框架用于 CNN 语义分割。
• 将 Monte Carlo dropout 得到的像素级不确定性整合，用于驱动信息丰富的样本选择与伪标签。

提出的方法

• 使用 Monte Carlo Dropout 来近似网络权重的后验分布，以进行像素级不确定性估计。
• 通过聚合跨图像的多次 dropout 启用预测来计算像素级不确定性图。
• 通过距离变换对不确定性图进行加权，以突出轮廓并细化最终不确定性分数。
• 通过对像素不确定性和距离加权求和，将不确定性图转换为标注置信度分数。
• 实现互补样本选择：对低置信样本进行标注，对高置信样本进行伪标签，并包含一定比例的不确定样本以便迭代改进。
• 将其应用于基于 U-Net 的语义分割，并采用 CEAL 策略以减少人工标注。
• 使用 ISIC 2017 皮肤病变数据集，包含 600 个标记样本和 1000 个未标记样本，用于模拟主动学习。

实验结果

研究问题

• RQ1 如何有效地利用像素级不确定性来指导医学影像分割中的主动学习？
• RQ2 成本效益高的 CEAL 框架是否能在保持分割性能的同时降低标注需求？
• RQ3 在迭代过程中，将不确定样本、未检测样本和伪标签样本结合对模型性能的影响是什么？
• RQ4 距离加权的不确定性如何影响黑色素瘤分割中的轮廓精度？

主要发现

• 在 ISIC 2017 上经过 9 次主动学习迭代达到 74% Dice 系数。
• 证明将不确定、未检测、随机和伪标签样本结合可以逐步提高分割性能。
• 表明带距离感知加权的像素级不确定性将学习聚焦于具有挑战性的轮廓区域。
• 指出感兴趣区域的中心区域可能仍然限制性能，暗示在后续迭代中仍有进一步改进的空间。