BayTTA：基于贝叶斯模型平均的优化测试时增强的医学图像不确定性感知分类
计算机视觉与模式识别
2024-08-28 v2 人工智能
机器学习
摘要
测试时增强（TTA）是一种在计算机视觉任务测试阶段广泛使用的技术。它涉及聚合输入数据的多个增强版本。在执行TTA后，使用简单的平均公式来组合预测是一种常见且直接的方法。本文引入了一个新颖的优化TTA框架，称为BayTTA（基于贝叶斯的TTA），它基于贝叶斯模型平均（BMA）。首先，我们生成一个与通过TTA创建的输入数据的不同变体相关联的预测列表。然后，我们使用BMA，根据各自的后验概率对预测进行加权组合。这种方法允许考虑模型不确定性，从而增强相关机器学习或深度学习模型的预测性能。我们在各种公开数据上评估了BayTTA的性能，包括三个医学图像数据集（涵盖皮肤癌、乳腺癌和胸部X光图像）以及两个著名的基因编辑数据集CRISPOR和GUIDE-seq。我们的实验结果表明，BayTTA可以有效地集成到用于医学图像分析的最先进深度学习模型中，以及一些流行的预训练CNN模型（如VGG-16、MobileNetV2、DenseNet201、ResNet152V2和InceptionResNetV2）中，从而提升其准确性和鲁棒性性能。所提出的BayTTA方法的源代码可在以下网址免费获取：\underline {https://github.com/Z-Sherkat/BayTTA}。
引用
@article{arxiv.2406.17640,
title = {BayTTA: Uncertainty-aware medical image classification with optimized test-time augmentation using Bayesian model averaging},
author = {Zeinab Sherkatghanad and Moloud Abdar and Mohammadreza Bakhtyari and Pawel Plawiak and Vladimir Makarenkov},
journal= {arXiv preprint arXiv:2406.17640},
year = {2024}
}