BriefGPT - AI 论文速递
·
基于测试时增强的主动学习与自训练的高效标签分割
💡
原文中文，约700字，阅读约需2分钟。
📝
内容提要
本文介绍了一种新方法，将自训练和主动学习相结合，使用测试时增强。实验结果表明，自训练对MRI胎体和胎盘分割任务非常有效，提高了ID和OOD数据的性能。然而，当自训练与主动学习结合时，对单序列胎体分割的性能有所改进，但对ID数据的多序列胎盘分割性能略有下降。在胎体分割序列转移方面，将主动学习与自训练结合在自训练迭代后，只使用6个原始扫描和2个新序列扫描就可以获得较高的Dice系数。
🎯
关键要点
- 本文提出了一种新方法，将自训练（ST）与主动学习（AL）结合，使用测试时增强（TTA）。
- 在初始教师网络上进行TTA后，根据最低估计的Dice分数选择标注案例。
- 高估计分数的案例被用作ST的软伪标签。
- 该方法在MRI胎体和胎盘分割任务上表现出色，提高了ID和OOD数据的性能。
- ST与AL结合时，单序列胎体分割性能有所改进，但ID数据的多序列胎盘分割性能略有下降。
- 对于高变异性的胎盘数据，AL是有帮助的，但对于单序列胎体数据，其效果不如随机选择。
- 在胎体分割序列转移方面，结合AL与ST后，仅使用6个原始扫描和2个新序列扫描即可获得高达0.961的Dice系数。
- 仅使用15个高变异性胎盘案例的结果与使用50个案例的结果相似。
➡️
