Deep Bayesian 分割用于结肠息肉：医学影像中的良好校准预测
图像与视频处理
2025-01-22 v1 人工智能
计算机视觉与模式识别
摘要
结肠息肉通常是良性改变，如果不及时识别并成功处理，可能进展为癌症并导致结肠黏膜受损，称为腺癌。今天，深度学习的进展在医学诊断中的图像分类和检测方面已展现出显著性能。然而，这些模型容易过拟合，仅依赖点估计进行决策可能提供不正确的预测。因此，要获得更为明智的决策，我们必须考虑点估计及其可靠的不确定性量化。本文我们基于后验分布的灵活性，构建了不同的贝叶斯神经网络方法，用于结肠息肉图像的语义分割。我们发现，这些模型不仅在该医学数据集上实现了最新的性能，还提供了准确的不确定性估计。我们对 UNET、FPN 和 LINKNET 架构在确定性和贝叶斯版本中应用了多plicative normalized flows（MNF）和重参数化技巧，并测试了多个背板。我们报告称，FPN + EfficientnetB7 架构配合 MNF 是最具前景的选项，其 IOU 为 0.94，预期校准误差（ECE）为 0.004，同时在识别难以检测的结肠息肉方面具有优势，这在临床领域中尤为重要，因为早期检测可防止结肠癌的发生。
引用
@article{arxiv.2407.16608,
title = {Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging},
author = {Daniela L. Ramos and Hector J. Hortua},
journal= {arXiv preprint arXiv:2407.16608},
year = {2025}
}
备注
comments are welcome. 43 pages