突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用
内容提要
本文综述主动学习在医学图像分割中的不确定性校准与采样策略，涵盖dropout、边缘先验、对比学习、自监督聚类及多标注者变异性等方法，表明其能显著减少标注量并提升分割精度与效率。
延伸解读
不确定性校准：主动学习的核心
文章指出，主动学习在医学图像分割中的有效性高度依赖不确定性估计的准确性。通过dropout、边缘先验、对比学习等方法校准不确定性，可以更可靠地识别高价值标注区域。例如，EdgeAL利用边缘信息作为先验，在OCT分割中达到99%的Dice分数，同时将标注成本降低12%、2.3%和3%。这表明，针对任务特点设计不确定性度量，是减少标注量的关键。
采样策略的多样性：从不确定性到代表性
除了不确定性，采样策略还需考虑样本多样性。文章提到COALSamp通过对比学习将图像投影到潜空间，并从局部群集中选择代表性图像，以改善手术视频分割。后期主动学习算法结合不确定性和多样性采样，在实际高空图像数据集中将标注效率提升五倍。这些案例说明，融合多种采样准则能更全面地覆盖数据分布，避免冗余标注。
多标注者变异性：利用噪声作为信号
医学图像分割中，标注者之间的差异常被视为噪声，但文章提出可将其作为“地面真相”不确定性的来源。通过结合概率U-Net，在肺结节CT和前列腺MRI数据集上，该方法能提高预测不确定性的估计，同时提升样本准确度和多样性。这为临床应用中向医生传达分割置信度提供了新思路，但需注意其依赖于多标注者数据，成本较高。
实际部署的考量：效率与泛化
文章中的方法在多个公开数据集上验证了有效性，如心脏MRI和腹部CT的解剖感知方法仅需一次推断即可估计不确定性，减少了计算量。然而，这些方法多针对特定任务设计，跨模态、跨器官的泛化能力仍需进一步验证。此外，主动学习流程通常需要迭代训练和标注，实际部署时需平衡标注效率与模型更新成本。
Q&A
主动学习在医学图像分割中主要解决什么问题？
主动学习旨在减少医学图像分割所需的人工标注像素数量，同时保持或提升分割精度。通过选择性地标注最有价值的区域，可以显著降低标注成本。
有哪些不确定性估计方法被用于医学图像分割的主动学习？
常见方法包括基于dropout的不确定性评估、利用边缘先验信息、基于对比学习的潜空间投影、自监督特征聚类、多标注者变异性以及解剖感知表示等。这些方法从不同角度量化分割的不确定性。
EdgeAL主动学习算法在OCT分割任务中取得了什么效果？
EdgeAL利用未见数据的边缘信息作为先验进行不确定度测量，在多类别OCT分割任务中取得了99%的Dice分数，同时将注释标签成本分别降低了12%、2.3%和3%（在Duke、AROI和UMN数据集上）。
如何利用多标注者的变异性来改进医学图像分割？
将多个标注者的变异性作为“地面真相”不确定性的来源，与概率U-Net结合，在肺结节CT和前列腺MRI数据集上测试，能够提高预测不确定性的估计，同时提升样本准确度和多样性，并告诉医生分割结果的置信度。
自监督辅助主动学习框架在生物医学图像分割中有什么作用？
该框架使用自监督特征聚类来选择样本，解决标签不足的问题，在皮肤病变分割任务上取得了显著改进。
基于区域的主动学习方法在乳腺癌转移细胞分割中表现如何？
该方法可以更高效地训练监督分割模型，用于乳腺癌转移细胞分割任务，并在公共数据集CAMELYON16上验证了有效性。
