DOMINO：医学图像分割中的域感知模型校准
图像与视频处理
2022-09-14 v1 计算机视觉与模式识别
机器学习
摘要
模型校准衡量预测概率估计与真实正确可能性的吻合程度。恰当的模型校准对高风险应用至关重要。遗憾的是，现代深度神经网络校准不良，损害了可信度与可靠性。医学图像分割尤其受此困扰，原因在于组织边界的自然不确定性。其损失函数偏袒多数类的过度自信，更令问题恶化。我们以 DOMINO 应对这些挑战，这是一种利用类标签间语义可混淆性与层次相似性的域感知模型校准方法。我们的实验表明，经 DOMINO 校准的深度神经网络在头部图像分割中优于未校准模型及最先进的形态测量方法。结果显示，我们的方法能比这些方法持续实现更好的校准、更高准确率和更快推理时间，尤其在较稀有类上。该性能归因于我们的域感知正则化对语义模型校准的引导。这些发现显示了类标签间语义关联在建立深度学习模型置信度中的重要性。该框架有潜力提升通用医学图像分割模型的可信度与可靠性。本文代码见：https://github.com/lab-smile/DOMINO。
引用
@article{arxiv.2209.06077,
title = {DOMINO: Domain-aware Model Calibration in Medical Image Segmentation},
author = {Skylar E. Stolte and Kyle Volle and Aprinda Indahlastari and Alejandro Albizu and Adam J. Woods and Kevin Brink and Matthew Hale and Ruogu Fang},
journal= {arXiv preprint arXiv:2209.06077},
year = {2022}
}
备注
10 pages, 6 figures, 3 tables. Accepted by International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2022 Oral Talk