Abstract

Convolutional neural networks (CNNs) provide reliable segmentation results on biomedical images. However, they can only develop their full potential with a representative dataset. Unfortunately, a large dataset is hard to create in biomedical research, since labeling images is time consuming and requires expert knowledge. Active learning seeks to determine those images that will yield the best results, which effectively reduces labeling cost. We present an active learning method for the stepwise identification of images that should be labeled next and test this method on an axon segmentation dataset. We outperform a baseline and a state-of-the-art method.
OriginalspracheEnglisch
Seitenumfang2
PublikationsstatusVeröffentlicht - 16.02.2020
VeranstaltungAUTOMED - Automation in Medical Engineering 2020 - Lübeck, Deutschland
Dauer: 02.03.202003.03.2020

Tagung, Konferenz, Kongress

Tagung, Konferenz, KongressAUTOMED - Automation in Medical Engineering 2020
Land/GebietDeutschland
OrtLübeck
Zeitraum02.03.2003.03.20

Strategische Forschungsbereiche und Zentren

  • Zentren: Zentrum für Künstliche Intelligenz Lübeck (ZKIL)
  • Querschnittsbereich: Intelligente Systeme

DFG-Fachsystematik

  • 409-05 Interaktive und intelligente Systeme, Bild- und Sprachverarbeitung, Computergraphik und Visualisierung

Fingerprint

Untersuchen Sie die Forschungsthemen von „A task-dependent active learning method for axon segmentation with CNNs“. Zusammen bilden sie einen einzigartigen Fingerprint.

Zitieren