医学生成模型中的解耦不确定性与分布外检测
图像与视频处理
2022-11-14 v1 计算机视觉与模式识别
机器学习
摘要
在医疗领域等安全关键场景中，信任深度学习模型的预测仍然不是一个可行的选择。医学成像领域的解耦不确定性量化鲜受关注。在本文中，我们研究了医学领域中图像到图像转换任务的解耦不确定性。我们比较了多种不确定性量化方法，即 Ensembles、Flipout、Dropout 和 DropConnect，同时使用 CycleGAN 将 T1 加权脑部 MRI 扫描转换为 T2 加权脑部 MRI 扫描。我们进一步评估了存在分布外数据（脑部 CT 和 RGB 人脸图像）时的不确定性表现，表明认知不确定性可用于检测分布外输入，这应能提高模型输出的可靠性。
引用
@article{arxiv.2211.06250,
title = {Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models},
author = {Kumud Lakara and Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:2211.06250},
year = {2022}
}
备注
3.5 pages, with appendix. Medical Imaging Meets NeurIPS Workshop 2022 Camera Ready