Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation

论文：Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation

论文地址：https://link.springer.com/chapter/10.1007/978-3-319-66179-7_46

研究背景：

　　与自然场景图像中的应用相比，生物医学应用中的训练数据获取难度较大，主要有两个原因。

　　　　(1) 只有训练有素的生物医学专家才能对数据进行注释，这使得群体扩充数据非常困难。

　　　　(2) 生物医学图像通常比自然场景图像包含更多的对象实例，这可能需要大量的手工注释。

　　在自然场景图像分割中，使用主动学习，使用较少的训练数据就可以达到最先进的水平。但是，由于在生物领域上的巨大差异，这在生物医学图像中是不容易获得的。

论文思想：

　　目的是解决以下问题：

　　　　在有限的标注精力(例如：时间)下，应该注释哪些实例以获得最佳的性能？

　　作者提出了一种深度主动学习框架，将全卷积网络(FCN)与主动学习相结合，通过在最有效的注释区域上提出明确的提示/建议，来大大减少标注的工作量。

　　作者利用FCN提供的不确定性和相似性信息，构造了最大集覆盖问题的广义版本，确定最具代表性和不确定性（提高泛华能力）的标注区域。

　　使用作者提出的标注方法，仅使用50%的训练数据就可以实现最先进的分割性能