Confident Coreset for Active Learning in Medical Image Analysis
원문 초록
Recent advances in deep learning have resulted in great successes in various applications. Although semi-supervised or unsupervised learning methods have been widely investigated, the performance of deep neural networks highly depends on the annotated data. The problem is that the budget for annotation is usually limited due to the annotation time and expensive annotation cost in medical data. Active learning is one of the solutions to this problem where an active learner is designed to indicate which samples need to be annotated to effectively train a target model. In this paper, we propose a novel active learning method, confident coreset, which considers both uncertainty and distribution for effectively selecting informative samples. By comparative experiments on two medical image analysis tasks, we show that our method outperforms other active learning methods.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
진단 MRI를 위한 주파수 계층적 능동 k-공간 샘플링
Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI
가속 MRI를 위한 능동 샘플링은 서로 매우 다른 종류의 정보를 담고 있는 공간 주파수들에 제한된 샘플링 예산을 분배해야 한다. 저주파는 대부분의 해부학적 문맥을 담고 있으며, 고주파는 병리 평가를 좌우하는 미세한 디테일을 담는다. 기존 능동 샘플러는 두 영역을 동일하게 다루거나 행동 공간을 전체 Cartesian 행으로 제한하여, 높은 가속에서 나쁜 절충을 강요한다. 우리는 이 계층 구조를 중심으로 구축된 과제 기반 프레임워크인 HieraSample을 제안한다. 코사인 어닐링 커리큘럼은 80개의 획득 단계에 걸쳐 가속 인자를 20배에서 4배로 낮추면서 매 단계마다 완전 샘플링된 저주파 디스크를 유지한다. Mamba 기반 정책은 이후 이중 질병 및 중증도 분류기가 추출한 특징으로부터 개별 고주파 좌표를 선택한다. 보상은 각 행동 후 클래스 가중 교차 엔트로피의 샘플당 감소량이며, 따라서 양의 보상은 더 확신 있는 올바른 예측에 직접 대응한다. fastMRI+ 무릎 벤치마크에서 HieraSample은 4배에서 10배 가속에서 ACL 진단에 대해 완전 샘플링 오라클과 일치하며, ACL 중증도에서 최근 Cartesian 기준선보다 최대 20.4 AUC 포인트만큼 개선한다.
On the effects of emulated quantum layers on CNN performance and explainability for OCT and dementia imaging
Calibrated selective prediction using deep ensembles for thyroid nodule ultrasound classification under dataset shift
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
인식론적 불확실성 평가: OOD 탐지와 능동 학습을 넘어서
Evaluating Epistemic Uncertainty: Beyond OOD Detection and Active Learning
ClinFusion: 포괄적 의료 이해를 위한 비전 중심 다중모달 LLM 시스템
ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding
다중모달 대규모 언어 모델(MLLM)은 임상 실무를 혁신할 막대한 잠재력을 지니고 있으나, 의료 분야에 이를 배포하는 것은 근본적으로 비전 중심의 과제이다. 모델은 이질적인 2D 및 3D 의료 영상으로부터 지식을 흡수해야 하며, 평가 프로토콜은 방사선 전문의의 임상 실무와 부합해야 하고 정확하고 세밀하며 사실성 중심의 평가를 제공해야 한다. 본 논문에서는 이러한 한계를 체계적으로 해결하기 위해 포괄적 의료 이해를 위해 설계된 비전 중심 MLLM인 ClinFusion을 소개한다. 우리는 Cascade Spatial-Aware Locality Fusion 연산자를 특징으로 하는 구성적·계단식 비전 인코더 아키텍처를 제안하며, 이는 융합 인코더 내에서 다양한 2D 및 네이티브 3D 의료 영상 이해를 통합한다. 또한 지시 따르기(instruction following) 평가를 위한 MedIF-Bench와, 임상적으로 정렬되고 사실성 중심의 보고서 생성 평가를 위한 관심 영역(RoI) 기반 방법을 포함하는 비전 그라운딩(vision-grounded) 평가 프레임워크를 추가로 도입한다. ClinFusion이 시각적 질의응답, 보고서 생성, 지시 따르기에 이르는 2D 및 3D 다중모달 의료 벤치마크와 텍스트 의료 과제를 아우르는 포괄적 벤치마크 모음 전반에서 새로운 최첨단(state-of-the-art) 성능을 달성함을 보인다. 24개 벤치마크 중 20개에서 Hulu-Med, Lingshu 등 선도적인 오픈소스 의료 MLLM을 능가했으며, 16개 벤치마크 중 13개에서 GPT-5.2, Gemini-3-Flash와 같은 강력한 독점 모델보다 우수한 다중모달 능력을 보였고, 검색-증강 생성(RAG) 및 도구 지원 임상 워크플로를 위한 에이전트(agent) 도구 사용으로 더욱 확장할 수 있다. 방사선 전문의 자격을 갖춘 전문의들의 단맹 평가는 ClinFusion이 최상위 순위의 보고서를 생성함을 확인했으며, 우리의 RoI 기반 지표가 검토된 모든 자동 평가 지표 중 전문가 판단과 가장 강한 상관관계를 달성함을 검증했다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.