基于方差的 MC Dropout 不确定性-误差相关性的 2D 脑肿瘤分割实证研究
摘要
准确地从 MRI 中进行脑肿瘤分割对于诊断和治疗规划至关重要。尽管蒙特卡洛 (MC) Dropout 在估计模型不确定性方面被广泛使用，但基于方差的不确定性——即跨多次随机前向传播的像素级方差——在识别分割误差方面，尤其是肿瘤边界附近的误差，仍不足以 studied。本研究实证检验了基于方差的 MC Dropout 不确定性与 2D 脑肿瘤 MRI 分割误差之间的关系，使用在四种数据增强设置下训练的 U-Net：无、水平翻转、旋转和缩放。不确定性被估计为跨 50 次随机前向传播的像素级方差，并与像素级误差使用 Pearson 和 Spearman 系数进行相关性分析。结果表明，全球相关性较弱（r ~ 0.30-0.38），边界相关性可忽略不计（|r| < 0.05）。尽管不同增强方式之间的差异在统计上显著（p < 0.001），但缺乏实际意义。这表明基于方差的 MC Dropout 不确定性为全局和边界误差定位提供的线索有限，选择不确定性表示方式对医学图像分割中 MC Dropout 的实用性具有关键影响。替代表示方式，如预测熵或相互信息，可能更好地捕捉分割误差，尤其是在边界处。
引用
@article{arxiv.2510.15541,
title = {An Empirical Study on Variance-based MC Dropout Uncertainty-Error Correlation in 2D Brain Tumor Segmentation},
author = {Saumya B},
journal= {arXiv preprint arXiv:2510.15541},
year = {2026}
}
备注
v2: Updated title and framing to clarify that findings are specific to variance-based uncertainty estimation via MC Dropout, not MC Dropout broadly. Minor textual improvements throughout. Code and results available at https://github.com/Saumya4321/mcd-error-correlation