由于标记医学图像数据是一个昂贵且劳动密集型的过程,因此近年来,Active学习在医学图像分割领域中广受欢迎。文献中已经提出了各种积极的学习策略,但是它们的有效性高度取决于数据集和培训方案。为了促进现有策略的比较,并为评估新策略提供了基准,我们评估了从医学分割的十项全能中的三个数据集上的几种著名的活跃学习策略的性能。此外,我们考虑了专门针对3D图像数据量身定制的扎实的采样策略。我们证明,随机和踩踏的采样都是强大的基准,并讨论了研究方法的优势和缺点。为了允许其他研究人员将他们的工作与我们的结果进行比较,我们提供了一个开源框架,以在各种医疗分割数据集上对主动学习策略进行基准测试。
translated by 谷歌翻译