Active-Learning-Framework für Bildsegmentierung Biomedizin mit minimalem Aufwand

Die präzise Segmentierung biomedizinischer Bilder ist entscheidend für die Analyse komplexer Strukturen. Traditionelle Verfahren stoßen häufig an ihre Grenzen, wenn die Daten verrauscht sind, während Deep‑Learning‑Modelle wie U‑Net neue Maßstäbe setzen. Der neue Ansatz kombiniert die Automatisierung von nnU-Net mit der Zero‑Shot‑Fähigkeit großer Foundation‑Modelle und reduziert gleichzeitig den Bedarf an manuellen Anmerkungen.

Der Workflow beginnt damit, dass ein Foundation‑Modell Pseudo‑Labels für die Rohbilder erzeugt. Diese Labels dienen als Basis für die automatische Selbstkonfiguration von nnU-Net, wodurch das Modell sofort auf das jeweilige Datenset abgestimmt wird. Anschließend wird ein repräsentativer Core‑Set aus den Daten ausgewählt, der nur minimal manuell annotiert werden muss. Durch diese gezielte Anmerkung kann nnU-Net anschließend feinjustiert werden, ohne dass umfangreiche Label‑Sammlungen erforderlich sind.

Das Ergebnis ist ein leistungsfähiges Segmentierungsmodell, das mit deutlich weniger menschlichem Aufwand vergleichbare Leistungen erzielt. Die Kombination aus Pseudo‑Labeling, Active Learning und der Flexibilität von nnU-Net macht die Lösung besonders attraktiv für biomedizinische Forscher, die schnell und zuverlässig hochqualitative Segmentierungen benötigen.

Der komplette Code ist frei verfügbar unter https://github.com/MMV-Lab/AL_BioMed_img_seg.