用于多模态医学图像分割的具有不确定性量化和上下文折扣的深度证据融合
图像与视频处理
2024-08-20 v2 计算机视觉与模式识别
摘要
单模态医学图像通常不包含足够的信息以达成准确可靠的诊断。因此，医生一般基于多模态医学图像（例如PET/CT）诊断疾病。多模态信息的有效融合对于达成可靠决策并解释决策过程至关重要。在本文中，我们提出了一种基于深度学习和Dempster-Shafer证据理论的多模态医学图像分割融合框架。在该框架中，每种单模态图像在分割不同对象时的可靠性通过上下文折扣操作加以考虑。随后，来自各模态的折扣证据通过Dempster规则进行组合以得出最终决策。在含有淋巴瘤的PET-CT数据集和含有脑肿瘤的多MRI数据集上的实验结果表明，我们的方法在准确性和可靠性上均优于最先进的方法。
引用
@article{arxiv.2309.05919,
title = {Deep evidential fusion with uncertainty quantification and contextual discounting for multimodal medical image segmentation},
author = {Ling Huang and Su Ruan and Pierre Decazes and Thierry Denoeux},
journal= {arXiv preprint arXiv:2309.05919},
year = {2024}
}