基于哈密顿蒙特卡洛的贝叶斯不确定性估计：应用于心脏MRI分割

基于深度学习（DL）的方法已在许多医学图像分割任务中达到最先进的性能。然而，最近的研究表明，深度神经网络（DNN）可能校准不良且过于自信，导致对临床应用有风险的“静默失败”。贝叶斯深度学习提供了一种基于后验概率估计的直观的DL故障检测方法。然而，对于大型医学图像分割DNN，后验是难以处理的。为了应对这一挑战，我们提出了一种使用哈密顿蒙特卡洛（HMC）的贝叶斯学习框架，并通过冷后验（CP）进行调节以适应医学数据增强，命名为HMC-CP。对于HMC计算，我们进一步提出了一种循环退火策略，捕获后验分布的局部和全局几何结构，使得在训练单个DNN相同的计算预算下实现高效的贝叶斯DNN训练。得到的贝叶斯DNN输出一个集成分割以及分割不确定性。我们在心脏磁共振图像（MRI）分割上广泛评估了所提出的HMC-CP，使用了域内稳态自由进动（SSFP）电影图像以及域外的定量T1和T2映射数据集。我们的结果表明，与蒙特卡洛Dropout和深度集成等成熟基线方法相比，所提出的方法在域内和域外数据上均提高了分割精度和不确定性估计。此外，我们在HMC和常见的随机梯度下降（SGD）之间建立了概念联系，并提供了对DL不确定性的普遍见解。这种不确定性隐含地编码在训练动态中，但常常被忽视。凭借可靠的不确定性估计，我们的方法为临床应用中值得信赖的深度学习提供了一个有前景的方向。