基于MSU-Net的超声图像分割不确定性估计增强
计算机视觉与模式识别
2024-08-01 v1 人工智能
机器学习
摘要
在创伤和重症 care 中的有效腹腔介入显著影响患者预后。然而，在严酷环境中 skilled 医务人员的 availability 常常受限。自主机器人超声系统可帮助针头插入用于药物输送，并支持非专业人员完成此类任务。尽管针头插入方面取得了进展，但血管分割预测的不准确性仍然构成风险。理解超声图像中预测模型的不确定性对于评估其可靠性至关重要。我们引入MSU-Net，这是一种新型的多阶段方法，用于训练U-Net的 ensemble 以获得准确的超声图像分割图。我们展示了相对于单个Monte Carlo U-Net实现了18.1%的显著性提升，增强了不确定性评估、模型透明度和可信度。通过突出显示模型确定性的区域，MSU-Net可指导安全的针头插入，使非专业人员能够完成此类任务。
引用
@article{arxiv.2407.21273,
title = {Enhanced Uncertainty Estimation in Ultrasound Image Segmentation with MSU-Net},
author = {Rohini Banerjee and Cecilia G. Morales and Artur Dubrawski},
journal= {arXiv preprint arXiv:2407.21273},
year = {2024}
}
备注
Accepted for the 5th International Workshop of Advances in Simplifying Medical UltraSound (ASMUS), held in conjunction with MICCAI 2024, the 27th International Conference on Medical Image Computing and Computer Assisted Intervention