Médecine

Paramédical

Autres domaines


S'abonner

An Adaptive Low-Rank Modeling-Based Active Learning Method for Medical Image Annotation - 23/09/21

Doi : 10.1016/j.irbm.2020.06.001 
S. He a, J. Wu b, 1, C. Lian c, H.M. Gach b, S. Mutic b, W. Bosch b, J. Michalski b, H. Li d, e,
a Department of Computer Science, Washington University, St. Louis, MO, USA 
b Department of Radiation Oncology, Washington University, St. Louis, MO, USA 
c Department of Radiology, The University of North Carolina at Chapel Hill, NC, USA 
d Department of BioEngineering, University of Illinois at Urbana-Champaign, Urbana, IL, USA 
e Carle Cancer Center, Carle Foundation Hospital, Urbana, IL, USA 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 11
Iconographies 15
Vidéos 0
Autres 0

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Supervised machine learning methods require large numbers of annotated training examples.
Active learning methods interactively select a limited number of informative training examples.
It is a challenging task due to imaging noise and the large number of multi-modality images.
A novel low-rank modeling-based multi-label active learning method was developed.
An automatic adaptive cross entropy-based parameter determination scheme was proposed.

Le texte complet de cet article est disponible en PDF.

Abstract

Active learning is an effective solution to interactively select a limited number of informative examples and use them to train a learning algorithm that can achieve its optimal performance for specific tasks. It is suitable for medical image applications in which unlabeled data are abundant but manual annotation could be very time-consuming and expensive. However, designing an effective active learning strategy for informative example selection is a challenging task, due to the intrinsic presence of noise in medical images, the large number of images, and the variety of imaging modalities. In this study, a novel low-rank modeling-based multi-label active learning (LRMMAL) method is developed to address these challenges and select informative examples for training a classifier to achieve the optimal performance. The proposed method independently quantifies image noise and integrates it with other measures to guide a pool-based sampling process to determine the most informative examples for training a classifier. In addition, an automatic adaptive cross entropy-based parameter determination scheme is proposed for further optimizing the example sampling strategy. Experimental results on varied medical image datasets and comparisons with other state-of-the-art multi-label active learning methods illustrate the superior performance of the proposed method.

Le texte complet de cet article est disponible en PDF.

Plan


© 2020  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 42 - N° 5

P. 334-344 - octobre 2021 Retour au numéro
Article précédent Article précédent
  • Adaptive SSA Based Muscle Artifact Removal from Single Channel EEG Using Neural Network Regressor
  • C. Dora, R.N. Patro, S.K. Rout, P.K. Biswal, B. Biswal
| Article suivant Article suivant
  • An Approach Based on Mutually Informed Neural Networks to Optimize the Generalization Capabilities of Decision Support Systems Developed for Heart Failure Prediction
  • L. Ali, S.A.C. Bukhari

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.