Fugu-MT 論文翻訳(概要): DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers for Biomedical Image Segmentation

論文の概要: DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers for Biomedical Image Segmentation

arxiv url: http://arxiv.org/abs/2101.09057v1
Date: Fri, 22 Jan 2021 11:31:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 17:28:22.263888
Title: DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers for Biomedical Image Segmentation
Title（参考訳）: DSAL: バイオメディカルイメージセグメンテーションのための強いラベルと弱いラベルからの深い監視されたアクティブラーニング
Authors: Ziyuan Zhao, Zeng Zeng, Kaixin Xu, Cen Chen, Cuntai Guan
Abstract要約: アクティブ学習とセミスーパーバイザー学習戦略を組み合わせた深層アクティブセミスーパーバイザー学習フレームワークDSALを提案します。 DSALでは, 深層監視機構に基づく新たな基準が提案され, 高い不確実性を有する情報サンプルを選定する。提案した基準を用いて,強ラベルと弱ラベルのサンプルを選択し,各アクティブな学習イテレーションにおいて,オラクルラベルと擬似ラベルを同時に生成する。
参考スコア（独自算出の注目度）: 13.707848142719424
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image segmentation is one of the most essential biomedical image processing problems for different imaging modalities, including microscopy and X-ray in the Internet-of-Medical-Things (IoMT) domain. However, annotating biomedical images is knowledge-driven, time-consuming, and labor-intensive, making it difficult to obtain abundant labels with limited costs. Active learning strategies come into ease the burden of human annotation, which queries only a subset of training data for annotation. Despite receiving attention, most of active learning methods generally still require huge computational costs and utilize unlabeled data inefficiently. They also tend to ignore the intermediate knowledge within networks. In this work, we propose a deep active semi-supervised learning framework, DSAL, combining active learning and semi-supervised learning strategies. In DSAL, a new criterion based on deep supervision mechanism is proposed to select informative samples with high uncertainties and low uncertainties for strong labelers and weak labelers respectively. The internal criterion leverages the disagreement of intermediate features within the deep learning network for active sample selection, which subsequently reduces the computational costs. We use the proposed criteria to select samples for strong and weak labelers to produce oracle labels and pseudo labels simultaneously at each active learning iteration in an ensemble learning manner, which can be examined with IoMT Platform. Extensive experiments on multiple medical image datasets demonstrate the superiority of the proposed method over state-of-the-art active learning methods.
Abstract（参考訳）: 画像分割は、internet-of-medical-things(iom t)ドメインの顕微鏡やx線を含む、異なる画像モードに対する最も不可欠なバイオメディカル画像処理問題の1つである。しかし、バイオメディカル画像の注釈付けは知識駆動、時間消費、労働集約であり、限られたコストで豊富なラベルを得るのが困難である。アクティブな学習戦略は、アノテーションのためのトレーニングデータのサブセットのみをクエリするヒューマンアノテーションの負担を軽減します。注意を引いたにもかかわらず、アクティブな学習手法の多くは、通常、膨大な計算コストを必要とし、ラベルのないデータを非効率に利用する。また、ネットワーク内の中間知識を無視する傾向がある。本研究では,能動学習と半教師付き学習戦略を組み合わせた深層能動型半教師付き学習フレームワークDSALを提案する。 DSALでは, 強いラベルと弱いラベルのそれぞれに対して, 高い不確実性と低い不確実性を有する情報的サンプルを選択するために, 深層監視機構に基づく新しい基準を提案する。内部基準は、アクティブなサンプル選択のためにディープラーニングネットワーク内の中間機能の不一致を利用して、計算コストを削減している。提案した基準を用いて,IoMTプラットフォームで検証可能な,活発な学習イテレーション毎に,強ラベルと弱ラベルのサンプルを選択して,オラクルラベルと擬似ラベルを同時に生成する。複数の医用画像データセットに関する広範囲な実験により,提案手法が最先端アクティブラーニング法よりも優れていることが示された。