Recently, attempts have been made to reduce annotation requirements in feature-based self-explanatory models for lung nodule diagnosis. As a representative, cRedAnno achieves competitive performance with considerably reduced annotation needs by introducing self-supervised contrastive learning to do unsupervised feature extraction. However, it exhibits unstable performance under scarce annotation conditions. To improve the accuracy and robustness of cRedAnno, we propose an annotation exploitation mechanism by conducting semi-supervised active learning with sparse seeding and training quenching in the learned semantically meaningful reasoning space to jointly utilise the extracted features, annotations, and unlabelled data. The proposed approach achieves comparable or even higher malignancy prediction accuracy with 10x fewer annotations, meanwhile showing better robustness and nodule attribute prediction accuracy under the condition of 1% annotations. Our complete code is open-source available: https://github.com/diku-dk/credanno.

准确的几何表示对于开发有限元模型至关重要。尽管通常只有很少的数据在准确细分精美特征，例如缝隙和薄结构方面，虽然只有很少的数据就有良好的深度学习分割方法。随后，分段的几何形状需要劳动密集型手动修改，以达到可用于模拟目的的质量。我们提出了一种使用转移学习来重复使用分段差的数据集的策略，并结合了交互式学习步骤，其中数据对数据进行微调导致解剖上精确的分割适合模拟。我们使用改良的多平台UNET，该UNET使用下髋关节分段和专用损耗函数进行预训练，以学习间隙区域和后处理，以纠正由于旋转不变性而在对称类别上的微小不准确性。我们证明了这种可靠但概念上简单的方法，采用了临床验证的髋关节扫描扫描的临床验证结果。代码和结果3D模型可在以下网址提供：\ url {https://github.com/miccai2022-155/autoseg}

基于特征的自我解释方法解释了他们的分类，从人类可行的特征方面。在医学成像社区中，这种临床知识的语义匹配大大增加了AI的可信度。但是，功能附加注释的成本仍然是一个紧迫的问题。我们通过提出Credanno来解决这个问题，这是一种用于肺结核诊断的数据/注释有效的自我解释方法。 Credanno通过引入自我保护的对比学习来大大减少注释需求，以减轻从注释中学习大多数参数的负担，从而通过两阶段的培训代替端到端的培训。当使用数百个结节样本和仅1％的注释训练时，Credanno在预测恶性肿瘤方面取得了竞争力的准确性，同时，在预测结节属性方面大多数以前的作品都显着超过了。学习空间的可视化进一步表明，恶性肿瘤和结节属性的聚类与临床知识一致。我们的完整代码可用：https：//github.com/ludles/credanno。