用于量化临床医生在医学图像量化中变异性的贝叶斯方法
图像与视频处理
2022-07-07 v2 计算机视觉与模式识别
机器学习
摘要
包括 MRI、CT 和超声在内的医学成像在临床决策中起着至关重要的作用。准确的分割对于从图像中测量感兴趣结构至关重要。然而，手动分割高度依赖于操作者，导致定量测量的高组间与组内变异性。本文探讨了由深度神经网络参数化的贝叶斯预测分布能够捕捉临床医生组间-组内变异性的可行性。通过探索和分析近期出现的近似推断方案，我们评估了具有分割后验的近似贝叶斯深度学习是否能在分割和临床测量中学习组间-组内评分者变异性。实验在两种不同成像模态（MRI 和超声）上进行。我们经验性地证明，由深度神经网络参数化的贝叶斯预测分布可以近似临床医生的组间-组内变异性。我们通过提供临床测量不确定性，给出了定量分析医学图像的新视角。
引用
@article{arxiv.2207.01868,
title = {Bayesian approaches for Quantifying Clinicians' Variability in Medical Image Quantification},
author = {Jaeik Jeon and Yeonggul Jang and Youngtaek Hong and Hackjoon Shim and Sekeun Kim},
journal= {arXiv preprint arXiv:2207.01868},
year = {2022}
}
备注
Interpretable Machine Learning in Healthcare