域偏移与标签噪声下组织病理图像常用不确定性估计方法的基准评测
图像与视频处理
2023-11-17 v2 计算机视觉与模式识别
机器学习
定量方法
摘要
近年来,深度学习在组织病理学应用领域的应用日益增多。然而,尽管这些方法展现出巨大潜力,在高风险环境中,深度学习模型需要能够判断自身的不确定性,并能在误分类概率显著时拒绝输入。本工作中,我们对用于全切片图像分类的最常用不确定性与鲁棒性方法进行了严格评估,重点关注选择性分类任务,即模型应在不确定情形下拒绝分类。我们在块级别针对域偏移与标签噪声方面以及在切片级别进行了实验。实验中,我们比较了深度集成(Deep Ensembles)、蒙特卡洛丢弃(Monte-Carlo Dropout)、随机变分推断(Stochastic Variational Inference)、测试时数据增强(Test-Time Data Augmentation)以及上述方法的集成。我们观察到,方法的集成通常带来更好的不确定性估计以及对域偏移和标签噪声增强的鲁棒性,而与传统计算机视觉基准的结果相反,其他方法的系统性增益未能显现。在各方法中,拒绝最不确定样本可靠地导致分布内与分布外数据上分类准确率的显著提升。此外,我们在不同标签噪声条件下比较了这些方法。最后,我们发布了代码框架以促进组织病理数据上不确定性估计的进一步研究。
引用
@article{arxiv.2301.01054,
title = {Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise},
author = {Hendrik A. Mehrtens and Alexander Kurz and Tabea-Clara Bucher and Titus J. Brinker},
journal= {arXiv preprint arXiv:2301.01054},
year = {2023}
}
备注
22 pages, 5 figures, 5 tables