论文解读： Active Learning and Proofreading for Delineation of Curvilinear Structures

文章来源：Mosinska A, Tarnawski J, Fua P. Active learning and proofreading for delineation of curvilinear structures[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2017: 165-173.

题外话

　　这篇博客其实是 https://blog.csdn.net/JYZhang_CVML/article/details/82194043 的续集。之前作者主要的创新点在于采用 Label Propagation 的方式在传统主动学习采样方法中引入结构纹理信息，对仅仅考虑单个像素点特征的分类器预测结果进行类似于 Refine 的过程，然后将 Refine 的结果进一步计算 Shanno Entropy 进行主动学习的查询过程。　　
　　然而这样的方法存在缺陷在于，仅仅只能建模局部的拓扑结构，不能反映特定部位对于整个管状树结构的整体影响。

简介

　　很直观且自然的问题，往往一小段管状结构的分割错误就会导致整个网络拓扑结构的巨大变化。因此我们在做 Active Learning 查询策略的时候需要考虑，对于结构化输出的拓扑结构的影响。下图即展示了一小段对于整个拓扑结构的影响。
　　

贡献

　　所以当务之急是如何衡量某管状结构对于拓扑结构的影响。
　　1. 提出了一种 cost 和 topological-based 的主动学习的选择策略，挑选出对于网络拓扑结构至关重要的管状结构。
　　2. 运用主动学习使得 Proofreading 过程的交互也更少。

方法概述

　　既然仅仅考虑单个像素的分割结构往往不尽如人意，会出现潜在的错误，使得最后结构化输出的结果不好。那么如何找到这些潜在的错误？

Delineation-Change Metric

　　文中提出一种思路还是比较巧妙的：对某管状结构段进行 Flip 操作，如果这样能够使得最后得到的结构化输出的结果具有较好结果，那就可以证明该管状结构段是潜在错误的，因此将其进入查询阶段进行查询。
　　文中采用 Mixed Integer Program 的方式进行运算，对应公式：
　　
　　当上式大于0，则证明 Flip 的管状结构段能够具有更好的结构化输出结果，具有很大的被重新标注查询的价值。

Changing the Weights

　　正如上面所述如何改变特定目标的权重值？文章采用了简单的分段 transform 的策略，并采用 10% 和 90% 分位数来抵消异常点的影响。这样的权重的改变才能够导致比较合适的 Delineation-Change Metric，来检测具有显著性的管状结构段。

Proofreading 过程

　　在 Proofreading 的过程中，我们的关注点并不是如何提高分类器的准确率，而是纠正既有的错误的输出。因此不仅仅需要找潜在的错误输出，也要找对于最后结构化输出改变最明显的部分。
　　因此文章中采用两个度量，一个是 delineation-change metric， 另外一个是 DIADEM 分数。前者来确定潜在错误输出管状结构段，后者来衡量管状结构拓扑学上的相似性。

总结

其实这篇文章还是蛮有意思的，从结构化输出的角度来确定潜在错误预测的管状结构段，并对其进行主动学习的查询过程。