3D解剖分割中切片传播不确定性的估计与分析

用于3D解剖分割的监督方法表现出优越的性能，但常受限于标注数据的可用性。这一限制，加之大量可用未标注数据，引发了人们对自监督方法日益增长的兴趣。切片传播已成为一种自监督方法，它利用切片配准作为自监督任务，以最少的监督实现完整的解剖分割。这种方法显著减少了对领域专业知识、时间以及构建训练分割网络所需完全标注数据集相关成本的需求。然而，这种通过确定性网络减少监督的转变引发了对预测可信度和可靠性的担忧，尤其是在与更精确的监督方法比较时。为解决这一担忧，我们提出将校准的不确定性量化(UQ)集成到切片传播方法中，从而洞察模型的预测可靠性和置信水平。纳入不确定性度量增强了用户对自监督方法的信心，从而提高了其实际适用性。我们在三个3D腹部分割数据集上使用五种UQ方法进行了实验。结果表明，纳入UQ不仅提高了模型可信度，还提升了分割精度。此外，我们的分析揭示了切片传播方法中可能不会立即被最终用户察觉的各种失效模式。这项研究为提高切片传播方法的准确性和可信度开辟了新的研究途径。