基于分子形状完成的分割输出质量控制的 conformal 性能范围预测

最近的研究引入了方法来估计没有 ground truth 情况下的分割性能，这些方法仅依赖于神经网络 softmax 输出，具有用于直观输出质量控制的潜力。然而，这些性能估计依赖于已校准的 softmax 输出，而现代神经网络常不符合这一要求。此外，这些估计未考虑分割任务中固有的不确定性。这些限制可能使精确的性能预测难以实现，限制了性能估计方法的实际应用性。为此，我们开发了一种新方法，用于预测具有用户指定概率确保包含 ground truth 的性能范围。我们的方法利用基于抽样的分割不确定性估计来推导启发式性能范围，并应用分子形状完成将这些估计转化为满足所需保证的严格预测范围。我们在 FIVES 视网膜血管分割数据集上展示了该方法，并比较了五种常用的方法。我们的结果表明，可以实现所需的覆盖率并获得小的预测范围，凸显了性能范围预测作为输出质量控制有价值工具的潜力。