具有不确定性量化的深度学习用于预测前列腺癌活检图像分割的 Dice 系数
图像与视频处理
2024-12-31 v2 计算机视觉与模式识别
机器学习
摘要
深度学习模型(DLMs)在组织病理学图像分割与分类中可达到最先进的性能,但在真实临床环境中的部署潜力有限。DLMs 的不确定性估计可通过识别需要进一步审查的预测与图像来增强信任。Dice 分数与系数(Dice)是评估图像分割性能的基准,但通常不与 DLM 不确定性量化一同评估。本研究报告了采用随机初始化权重与蒙特卡洛 dropout 训练、并带有不确定性估计的 DLMs,用于从苏木精和伊红染色的显微镜前列腺穿刺活检组织学 RGB 图像中分割肿瘤。图像级图谱显示,整体与特定前列腺组织图像子区域的不确定性与通过 Dice 得到的模型性能估计之间存在显著相关性(Spearman 秩相关,p < 0.05)。本研究报告,能够从前列腺癌多个基于临床子区域的不确定性预测 Dice 分割分数的线性模型,可作为一种更全面的性能评估指标,且不会损失 DLMs 的预测能力,并具有较低的根均方误差。
引用
@article{arxiv.2109.00115,
title = {Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images},
author = {Audrey Xie and Elhoucine Elfatimi and Sambuddha Ghosal and Pratik Shah},
journal= {arXiv preprint arXiv:2109.00115},
year = {2024}
}
备注
Presented at the 2024 IEEE International Conference on Machine Learning and Applications (ICMLA), accepted for publication and in press by IEEE