超越体素预测不确定性：识别可信赖的脑病变
图像与视频处理
2022-09-23 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络已成为自动化分割3D医学图像的金标准方法。然而，由于所提供的結果缺乏可理解的不确定性评估，其被临床医生完全接受仍受阻碍。大多数量化其不确定性的方法，例如流行的Monte Carlo dropout，仅限于在体素层面上对预测的不确定性进行某种度量。此外，由于这种方法与真正的医学不确定性并无明确关联，且在临床上不能令人满意，因为大多数感兴趣对象（例如脑病变）由体素组构成，其整体相关性可能不能简单归结为各个体素不确定性的和或均值。在这项工作中，我们提出使用一种创新的图神经网络（Graph Neural Network）方法超越体素级评估，该网络从Monte Carlo dropout模型的输出中训练得到。该网络能够融合三种体素不确定性估计量：熵、方差和模型置信度；并且可应用于任何病变，无论其形状或大小。我们在多发性硬化（Multiple Sclerosis）病变分割任务上证明了我们的不确定性估计方法的优越性。
引用
@article{arxiv.2209.10877,
title = {Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust},
author = {Benjamin Lambert and Florence Forbes and Senan Doyle and Alan Tucholka and Michel Dojat},
journal= {arXiv preprint arXiv:2209.10877},
year = {2022}
}
备注
Accepted for presentation at the Workshop on Interpretability of Machine Intelligence in Medical Image Computing (iMIMIC) at MICCAI 2022