用于提升息肉分割任务泛化性的贝叶斯不确定性加权损失
计算机视觉与模式识别
2024-06-17 v2 人工智能
摘要
尽管先前已有若干研究设计了息肉分割方法，但这些方法大多未在多中心数据集上接受严格评估。由于不同中心的息肉外观差异、内镜设备等级不同以及采集质量不一，导致这些方法在分布内测试数据上表现良好，而在分布外或代表性不足的样本上表现不佳。不公平模型具有严重的临床影响，并对临床应用构成关键挑战。我们采用一种隐式偏差缓解方法，在训练期间利用贝叶斯预测不确定性，鼓励模型关注代表性不足的样本区域。我们在一个具有不同中心和图像模态的具有挑战性的多中心息肉分割数据集（PolypGen）上，证明了该方法在不牺牲最先进性能的前提下提升泛化性的潜力。
引用
@article{arxiv.2309.06807,
title = {Bayesian uncertainty-weighted loss for improved generalisability on polyp segmentation task},
author = {Rebecca S. Stone and Pedro E. Chavarrias-Solano and Andrew J. Bulpitt and David C. Hogg and Sharib Ali},
journal= {arXiv preprint arXiv:2309.06807},
year = {2024}
}
备注
To be presented at the Fairness of AI in Medical Imaging (FAIMI) MICCAI 2023 Workshop and published in volumes of the Springer Lecture Notes Computer Science (LNCS) series