面向可信皮肤病变分类的 Conformal Prediction 经验验证
图像与视频处理
2024-03-19 v2 计算机视觉与模式识别
摘要
背景与目的：不确定性量化是实现可靠与稳健系统的关键领域。它通过提供补充信息来加强安全决策，在高风险应用中尤为重要。现有研究探索了多种方法，这些方法通常在特定假设下运行，或需要对网络架构进行大量修改才能有效处理不确定性。本文旨在研究 Conformal Prediction 这一新兴的无分布不确定性量化技术，并全面理解医学成像领域内各种方法固有的优势与局限性。方法：在本研究中，我们开发了 Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning 方法，以评估深度神经网络中的不确定性量化。使用三个专注于检测色素性皮肤病变和血细胞类型的公共医学成像数据集评估了这些方法的有效性。结果：实验结果表明，使用 Conformal Prediction 方法在不确定性量化方面有显著提升，超越了另外两种方法的性能。此外，结果揭示了每种不确定性方法在处理来自领域偏移数据集的 Out-of-Distribution 样本时的有效性。我们的代码可在以下地址获取：结论：我们的结论强调了 Conformal Prediction 在各种测试条件下稳健且一致的性能。这使其成为安全关键应用中决策制定的首选。
引用
@article{arxiv.2312.07460,
title = {Empirical Validation of Conformal Prediction for Trustworthy Skin Lesions Classification},
author = {Jamil Fayyad and Shadi Alijani and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2312.07460},
year = {2024}
}