平均校准误差：一种用于提升图像分割可靠性的可微损失函数
计算机视觉与模式识别
2025-07-15 v4 机器学习
摘要
用于医学图像分割的深度神经网络往往产生与实证观察不符的过度自信结果。这种校准错误阻碍了其临床转化。我们提出使用边际 L1 平均校准误差（mL1-ACE）作为一种新颖的辅助损失函数，以在不损害分割质量的前提下改善像素级校准。我们表明，尽管该损失使用了硬分箱，但它直接可微，从而 bypass 了对近似但可微的代理或软分箱方法的需求。我们的工作还引入了数据集可靠性直方图的概念，推广了标准的可靠性图，以便在数据集层面聚合的语义分割中对校准进行更精细的视觉评估。使用 mL1-ACE，我们将平均和最大校准误差分别降低了 45% 和 55%，同时在 BraTS 2021 数据集上保持了 87% 的 Dice 分数。我们的代码分享于此：https://github.com/cai4cai/ACE-DLIRIS
引用
@article{arxiv.2403.06759,
title = {Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation},
author = {Theodore Barfoot and Luis Garcia-Peraza-Herrera and Ben Glocker and Tom Vercauteren},
journal= {arXiv preprint arXiv:2403.06759},
year = {2025}
}
备注
Camera ready version as in 10.1007/978-3-031-72114-4_14