CQ-VAE：用于不确定性估计的坐标量化 VAE 及其在腰椎 MRI 图像椎间盘形状分析中的应用
计算机视觉与模式识别
2020-10-22 v2 机器学习
摘要
模糊性在医学图像中不可避免，常导致不同人类专家对图像的不同解读（如目标边界或分割图）。因此，一个能学习模糊性并输出目标概率分布的模型，对于评估诊断不确定性的医学应用而言将很有价值。本文中，我们提出一种强大的生成模型来学习模糊性表示并生成概率性输出。我们的模型名为坐标量化变分自编码器（CQ-VAE），通过对连续潜空间的坐标进行量化，采用具有内部离散概率分布的离散潜空间。因此，来自 CQ-VAE 的输出分布是离散的。训练期间，使用 Gumbel-Softmax 采样以启用通过离散潜空间的反向传播。一种匹配算法用于建立模型生成样本与“真值”样本之间的对应，这在生成新样本的能力与表示训练样本的能力之间做了权衡。除这些用于生成可能输出的概率组件外，我们的模型还有一条确定性路径以输出最佳估计。我们在腰椎间盘图像数据集上展示了我们的方法，结果表明我们的 CQ-VAE 能够学习腰椎间盘形状变异与不确定性。
引用
@article{arxiv.2010.08713,
title = {CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images},
author = {Linchen Qian and Jiasong Chen and Timur Urakov and Weiyong Gu and Liang Liang},
journal= {arXiv preprint arXiv:2010.08713},
year = {2020}
}
备注
This paper is accepted by 19th IEEE International Conference on Machine Learning and Applications (ICMLA2020)