Finalmente si supera la baseline casuale: una soluzione semplice ed efficace per l'apprendimento attivo nell'imaging biomedico 3D

Finally Outshining the Random Baseline: A Simple and Effective Solution for Active Learning in 3D Biomedical Imaging

January 20, 2026

Autori: Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jäger, Klaus Maier-Hein, Fabian Isensee

cs.AI

Abstract

L'apprendimento attivo (AL) ha il potenziale di ridurre drasticamente i costi di annotazione nella segmentazione di immagini biomediche 3D, dove l'etichettatura esperta di dati volumetrici è sia dispendiosa in termini di tempo che costosa. Tuttavia, i metodi AL esistenti non sono in grado di superare in modo consistente i baseline di campionamento casuale migliorati e adattati ai dati 3D, lasciando il campo privo di una soluzione affidabile. Introduciamo Class-stratified Scheduled Power Predictive Entropy (ClaSP PE), una strategia di query semplice ed efficace che affronta due limitazioni chiave dei metodi AL standard basati sull'incertezza: lo squilibrio delle classi e la ridondanza nelle selezioni iniziali. ClaSP PE combina un'interrogazione stratificata per classe per garantire la copertura delle strutture sottorappresentate e un rumore di potenza in scala logaritmica con una pianificazione decadente per imporre la diversità delle query nelle prime fasi dell'AL e incoraggiare lo sfruttamento in seguito. Nella nostra valutazione su 24 setting sperimentali utilizzando quattro dataset biomedici 3D all'interno del benchmark completo nnActive, ClaSP PE è l'unico metodo che generalmente supera i baseline casuali migliorati in termini di qualità della segmentazione con guadagni statisticamente significativi, rimanendo allo stesso tempo efficiente nell'annotazione. Inoltre, simuliamo esplicitamente l'applicazione nel mondo reale testando il nostro metodo su quattro dataset mai visti prima senza adattamento manuale, dove tutti i parametri sperimentali sono impostati secondo linee guida predefinite. I risultati confermano che ClaSP PE generalizza robustamente a nuovi task senza richiedere una regolazione specifica per dataset. All'interno del framework nnActive, presentiamo prove convincenti che un metodo AL può superare costantemente i baseline casuali adattati alla segmentazione 3D, in termini sia di prestazioni che di efficienza di annotazione in uno scenario realistico e vicino alla produzione. La nostra implementazione open-source e le chiare linee guida per il deployment la rendono prontamente applicabile nella pratica. Il codice è disponibile all'indirizzo https://github.com/MIC-DKFZ/nnActive.

English

Active learning (AL) has the potential to drastically reduce annotation costs in 3D biomedical image segmentation, where expert labeling of volumetric data is both time-consuming and expensive. Yet, existing AL methods are unable to consistently outperform improved random sampling baselines adapted to 3D data, leaving the field without a reliable solution. We introduce Class-stratified Scheduled Power Predictive Entropy (ClaSP PE), a simple and effective query strategy that addresses two key limitations of standard uncertainty-based AL methods: class imbalance and redundancy in early selections. ClaSP PE combines class-stratified querying to ensure coverage of underrepresented structures and log-scale power noising with a decaying schedule to enforce query diversity in early-stage AL and encourage exploitation later. In our evaluation on 24 experimental settings using four 3D biomedical datasets within the comprehensive nnActive benchmark, ClaSP PE is the only method that generally outperforms improved random baselines in terms of both segmentation quality with statistically significant gains, whilst remaining annotation efficient. Furthermore, we explicitly simulate the real-world application by testing our method on four previously unseen datasets without manual adaptation, where all experiment parameters are set according to predefined guidelines. The results confirm that ClaSP PE robustly generalizes to novel tasks without requiring dataset-specific tuning. Within the nnActive framework, we present compelling evidence that an AL method can consistently outperform random baselines adapted to 3D segmentation, in terms of both performance and annotation efficiency in a realistic, close-to-production scenario. Our open-source implementation and clear deployment guidelines make it readily applicable in practice. Code is at https://github.com/MIC-DKFZ/nnActive.