CONSIGN：基于分解的空间分组信息的保守分割

大多数基于机器学习的图像分割模型会生成表示每个像素每个类别标签预测概率的像素级置信度得分。虽然这些信息在医学成像等高风险领域特别有价值，但这些得分是经验性的，不能构成严格的定量不确定性估计。保守预测（Conformal Prediction, CP）提供了将经验置信度转化为统计上有效不确定性估计的原则框架。然而，直接将 CP 应用于图像分割会忽略像素之间的空间相关性，这是图像数据的基本特征，可能导致过于保守且解释力较弱的不确定性估计。为此，我们提出 CONSIGN（Conformal Segmentation Informed by Spatial Groupings via Decomposition），一种基于 CP 的方法，纳入空间相关性以提高图像分割的不确定性量化。我们的方法生成具有用户指定高概率错误保证的有意义的预测集合。它与任何能够生成多个样本输出的预训练分割模型兼容。在三个医学成像数据集和两个 COCO 数据集子集上，我们使用三个不同的预训练分割模型对 CONSIGN 与两个 CP 基线进行评估。结果表明，考虑空间结构在多个指标上显著提升了性能，增强了不确定性估计的质量。