用于无监督与有监督病灶检测不确定性估计的深度分位数回归
摘要
尽管深度学习在多种机器学习任务上取得了最先进的优异性能，但深度学习方法可能产生过度自信的预测，尤其在训练数据有限时。因此，在病灶检测和临床诊断等关键应用中，量化不确定性尤为重要，因为对不确定性的现实评估对于确定手术边界、疾病状态和适当治疗至关重要。本工作中，我们提出一种新方法，使用分位数回归来量化有监督与无监督病灶检测问题中的偶然不确定性。所得置信区间可用于病灶检测与分割。在无监督设定下，我们将分位数回归与变分自编码器（VAE）结合。此处我们解决量化由 VAE 重建图像中的不确定性的问题，以此作为原则性离群点或病灶检测的基础。VAE 将输出建模为以均值和方差为特征的 conditionally independent Gaussian。遗憾的是，VAE 中均值与方差的联合优化会导致众所周知的收缩或方差低估问题。我们在此描述一种替代的 Quantile-Regression VAE（QR-VAE），它通过直接估计输入图像的条件分位数来避免该方差收缩问题。利用估计的分位数，我们计算输入图像的条件均值与方差，进而通过在错误发现率校正的 p 值处阈值化来检测离群点。在有监督设定下，我们开发了用于有监督病灶分割任务的二值分位数回归（BQR）。我们展示了 BQR 如何以刻画专家分歧的方式用于捕获病灶边界中的不确定性。
引用
@article{arxiv.2109.09374,
title = {Deep Quantile Regression for Uncertainty Estimation in Unsupervised and Supervised Lesion Detection},
author = {Haleh Akrami and Anand Joshi and Sergul Aydore and Richard Leahy},
journal= {arXiv preprint arXiv:2109.09374},
year = {2022}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/papers/2022:008.html. arXiv admin note: substantial text overlap with arXiv:2010.09042