論文の概要: Finally Outshining the Random Baseline: A Simple and Effective Solution for Active Learning in 3D Biomedical Imaging

• arxiv url: http://arxiv.org/abs/2601.13677v1
• Date: Tue, 20 Jan 2026 07:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.200501
• Title: Finally Outshining the Random Baseline: A Simple and Effective Solution for Active Learning in 3D Biomedical Imaging
• Title（参考訳）: 3Dバイオメディカルイメージングにおける能動的学習のためのシンプルで効果的な解法
• Authors: Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jäger, Klaus Maier-Hein, Fabian Isensee,
• Abstract要約: ClaSP PE(Class-stratified Scheduled Power Predictive Entropy)を導入する。 ClaSP PEは、標準的な不確実性に基づくアクティブラーニングメソッドの2つの重要な制限に対処する、シンプルで効果的なクエリ戦略である。 AL法が3次元セグメンテーションに適応したランダムベースラインを一貫して上回り得ることを示す。
• 参考スコア（独自算出の注目度）: 8.59770603829962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning (AL) has the potential to drastically reduce annotation costs in 3D biomedical image segmentation, where expert labeling of volumetric data is both time-consuming and expensive. Yet, existing AL methods are unable to consistently outperform improved random sampling baselines adapted to 3D data, leaving the field without a reliable solution. We introduce Class-stratified Scheduled Power Predictive Entropy (ClaSP PE), a simple and effective query strategy that addresses two key limitations of standard uncertainty-based AL methods: class imbalance and redundancy in early selections. ClaSP PE combines class-stratified querying to ensure coverage of underrepresented structures and log-scale power noising with a decaying schedule to enforce query diversity in early-stage AL and encourage exploitation later. In our evaluation on 24 experimental settings using four 3D biomedical datasets within the comprehensive nnActive benchmark, ClaSP PE is the only method that generally outperforms improved random baselines in terms of both segmentation quality with statistically significant gains, whilst remaining annotation efficient. Furthermore, we explicitly simulate the real-world application by testing our method on four previously unseen datasets without manual adaptation, where all experiment parameters are set according to predefined guidelines. The results confirm that ClaSP PE robustly generalizes to novel tasks without requiring dataset-specific tuning. Within the nnActive framework, we present compelling evidence that an AL method can consistently outperform random baselines adapted to 3D segmentation, in terms of both performance and annotation efficiency in a realistic, close-to-production scenario. Our open-source implementation and clear deployment guidelines make it readily applicable in practice. Code is at https://github.com/MIC-DKFZ/nnActive.
• Abstract（参考訳）: アクティブラーニング(AL)は、3Dバイオメディカルイメージセグメンテーションのアノテーションコストを大幅に削減する可能性があり、ボリュームデータの専門的なラベル付けには時間と費用がかかる。 しかし、既存のAL法は、3Dデータに適応した改良されたランダムサンプリングベースラインを一貫して上回り、信頼性の高い解が残らない。 ClaSP PE(Class-stratified Scheduled Power Predictive Entropy)は、標準的な不確実性ベースのALメソッドの2つの重要な制限、すなわち初期選択におけるクラス不均衡と冗長性に対処する、シンプルで効果的なクエリ戦略である。 ClaSP PEは、クラス階層化クエリーを組み合わせることで、未表現構造とログスケールのパワーノーミングのカバレッジを、崩壊スケジュールで保証し、アーリーステージALでクエリの多様性を強制し、後続のエクスプロイトを促進する。 総合的な nnActive ベンチマークにおいて,4つの3次元バイオメディカルデータセットを用いた24種類の実験環境の評価において,ClaSP PE は,統計的に有意なゲインを有するセグメンテーション品質において,改良されたベースラインを概ね上回っている唯一の手法である。 さらに,本手法を手動適応を伴わない4つの未確認データセット上でテストすることにより,実世界の応用を明示的にシミュレートする。 ClaSP PEは、データセット固有のチューニングを必要とせずに、新しいタスクに頑健に一般化することを確認した。 実運用シナリオにおける性能とアノテーションの効率の両面から,AL手法が3次元セグメンテーションに適応したランダムなベースラインを一貫して上回り得るという説得力のある証拠を提示する。 当社のオープンソース実装と明確なデプロイメントガイドラインは,実際に容易に適用できるようにしています。 コードはhttps://github.com/MIC-DKFZ/nnActive.comにある。

関連論文リスト

• nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation [10.824557886932986]
  アクティブラーニングが3Dバイオメディカルイメージングにおいてランダムサンプリングを一貫して上回っているかどうかについては合意が得られていない。 本研究では,大規模な研究によってこれらの落とし穴を克服するオープンソースのALフレームワークであるnnActiveを紹介する。 A)全てのALメソッドは標準のランダムサンプリングよりも優れているが、改良されたフォアグラウンドアウェアランダムサンプリングを確実に上回るものではない。
  論文  参考訳（メタデータ） (2025-11-24T14:50:36Z)
• Unsupervised Active Learning via Natural Feature Progressive Framework [8.553846772569521]
  Natural Feature Progressive Framework (NFPF)は、サンプルの重要度を測定する方法に革命をもたらすUAL手法である。 NFPFは、モデルパフォーマンスに対する各サンプルの貢献を効果的に定量化するために、特定特徴学習マシン(SFLM)を使用している。 包括的実験の結果,NFPFは既存のUAL手法を著しく上回り,視覚データセット上の教師付きAL手法と同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2025-10-06T15:44:33Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation [7.856339385917824]
  本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。 以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-16T22:19:41Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。