通过 conformal 预测控制图像分割中的假阳性
计算机视觉与模式识别
2025-11-20 v1 机器学习
摘要
可靠的语义分割对临床决策至关重要，但深度模型很少提供对错误的显式统计保证。我们引入一个简单后处理框架，用于构建具有分布无关、图像层面控制假阳性预测的置信图。给定任意预训练的分割模型，我们定义通过增加得分阈值或应用形态腐蚀获得的缩小掩码的嵌套家族。使用标记校准集，通过 conformal 预测选择单个缩小参数，确保对于与校准数据可交换的新图像，其在置信掩码中保留的假阳性比例在高概率下保持在用户指定的容忍度以下。该方法具有模型无关性，无需重新训练，提供有限样本保证，无论底层预测器如何。实验在多肠息肉分割基准上表明目标层面的经验有效性。我们的框架在超分割可能对临床结果产生影响的场景中实现了实用、风险感知的分割。代码地址：https://github.com/deel-ai-papers/conseco。
引用
@article{arxiv.2511.15406,
title = {Controlling False Positives in Image Segmentation via Conformal Prediction},
author = {Luca Mossina and Corentin Friedrich},
journal= {arXiv preprint arXiv:2511.15406},
year = {2025}
}