器官分割中可扩展认知不确定性量化的基准评测
图像与视频处理
2023-08-16 v1 计算机视觉与模式识别
摘要
基于深度学习的自动器官分割方法在辅助诊断与治疗规划方面已展现前景。然而，在关键临床应用中，量化并理解模型预测相关的不确定性至关重要。尽管已提出许多用于认知或基于模型的不确定性估计的技术，但在医学图像分析场景下尚不清楚哪种方法更优。本文提出一项全面基准研究，从准确性、不确定性校准与可扩展性方面评估器官分割中的认知不确定性量化方法。我们全面讨论各方法的优势、劣势与分布外检测能力，并给出未来改进的推荐。这些发现有助于开发可靠且鲁棒的模型，在有效量化认知不确定性的同时产生准确分割。
引用
@article{arxiv.2308.07506,
title = {Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation},
author = {Jadie Adams and Shireen Y. Elhabian},
journal= {arXiv preprint arXiv:2308.07506},
year = {2023}
}
备注
Accepted to the UNSURE Workshop held in conjunction with MICCAI 2023