基于测试时增强的偶然不确定性估计用于卷积神经网络医学图像分割
计算机视觉与模式识别
2019-02-12 v3
摘要
尽管深度卷积神经网络（CNNs）在医学图像分割上达到了最先进的性能，但其鲜少提供关于分割输出的不确定性估计，例如模型（认知）不确定性与基于图像（偶然）不确定性。本文中，我们分析 CNN 基 2D 与 3D 医学图像分割任务中这些不同类型的不确定性。我们还提出一种基于测试时增强的偶然不确定性，以分析输入图像不同变换对分割输出的影响。测试时增强此前已被用于提升分割精度，但尚未在一致的数学框架中表述。因此，我们还提出了测试时增强的理论表述，其中预测的分布通过蒙特卡洛模拟估计，该模拟采用涉及图像变换与噪声的图像采集模型中参数的先验分布。我们将提出的偶然不确定性与模型不确定性进行比较与结合。利用 2D 与 3D 磁共振图像（MRI）对胎儿脑与脑肿瘤分割的实验表明：1）基于测试时增强的偶然不确定性比单独计算基于测试时 dropout 的模型不确定性提供了更好的不确定性估计，并有助于减少过度自信的错误预测；2）我们的测试时增强优于单预测基线及基于 dropout 的多重预测。
引用
@article{arxiv.1807.07356,
title = {Aleatoric uncertainty estimation with test-time augmentation for medical image segmentation with convolutional neural networks},
author = {Guotai Wang and Wenqi Li and Michael Aertsen and Jan Deprest and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:1807.07356},
year = {2019}
}
备注
13 pages, 8 figures, accepted by NeuroComputing