11、生物医学图像分析中的深度主动自定步调学习策略

生物医学图像分析中的深度主动自定步调学习策略

在生物医学图像分析领域，样本标注是一个既耗时又费力的工作。为了缓解完全标注样本的不足并有效利用未标注样本，深度主动自定步调学习（DASL）策略应运而生。它结合了主动学习（AL）和自定步调学习（SPL）的优势，为生物医学图像分析带来了新的解决方案。

深度主动自定步调学习策略

DASL策略将主动学习和自定步调学习相结合，旨在减少标注工作量，提高模型性能。

• 主动学习策略 ：主动学习通过查询最具迷惑性的未标注实例进行进一步标注，以克服标注瓶颈。在模型训练过程中，我们采用了一种简单直接的策略来选择迷惑性样本。样本不确定性的计算定义如下：
  [Ud = 1 - \max(Pd, 1 - Pd)]
  其中，$Ud$ 表示第 $d$ 个样本的不确定性，$Pd$ 表示第 $d$ 个样本的后验概率。

考虑到初始训练集通常较小，无法覆盖整个样本分布，且在一次迭代中广泛标注相似模式的样本并不明智，因此样本不确定性的计算需要考虑样本之间的相似性。我们使用余弦相似度来估计样本之间的相似性，第 $d$ 个体积的不确定性定义为：
[Ud = (1 - \max(Pd, 1 - Pd)) \times \left(\frac{\sum_{j = 1}^{D} \text{sim}(Pd, Pj) - 1}{D - 1}\right)^{\beta}]
其中，$D$ 表示未标注样本的数量，$\text{sim}()$ 表示余弦相似度，$Pj$ 表示第 $j$ 个样本的后验概率，$\beta$ 是一个控制相似性项相对重要性的超参数。在实验中，我们将 $