深度医学图像分割中的置信度校准与预测不确定性估计
图像与视频处理
2020-07-06 v2 计算机视觉与模式识别
摘要
全卷积神经网络（FCNs），特别是 U-Net，已在众多医学成像应用的语义分割中取得最先进结果。此外，批量归一化与 Dice 损失已成功用于稳定并加速训练。然而，这些网络校准不良，即它们倾向于在正确与错误分类中都产生过度自信的预测，使其不可靠且难以解释。在本文中，我们研究 FCNs 用于医学图像分割的预测不确定性估计。我们的贡献如下：1）我们系统比较交叉熵损失与 Dice 损失在 FCNs 分割质量与不确定性估计方面的表现；2）我们提出模型集成用于对以批量归一化与 Dice 损失训练的 FCNs 进行置信度校准；3）我们评估经校准的 FCNs 预测结构分割质量及检测分布外测试样本的能力。我们在脑、心脏与前列腺的三个医学图像分割应用上进行了广泛实验以评估我们的贡献。本研究结果对医学图像分割中的预测不确定性估计与分布外检测提供了相当深入的见解，并给出了置信度校准的实用方案。此外，我们一致证明模型集成改善了置信度校准。
引用
@article{arxiv.1911.13273,
title = {Confidence Calibration and Predictive Uncertainty Estimation for Deep Medical Image Segmentation},
author = {Alireza Mehrtash and William M. Wells and Clare M. Tempany and Purang Abolmaesumi and Tina Kapur},
journal= {arXiv preprint arXiv:1911.13273},
year = {2020}
}
备注
Journal of IEEE Transactions on Medical Imaging