贝叶斯神经网络分类器对乳腺组织病理学图像不确定性的量化解释与应用
计算机视觉与模式识别
2021-11-09 v3 机器学习
图像与视频处理
摘要
尽管基于卷积神经网络（CNN）的组织病理学图像分类模型前景可期，但其不确定性难以量化。此外，当数据存在偏倚时，CNN 可能过拟合。我们表明贝叶斯-CNN 可通过自动正则化并量化不确定性来克服这些局限。我们开发了一种新技术，利用贝叶斯-CNN 提供的不确定性，显著提升了大部分测试数据的性能（在 77% 的测试数据上准确率提升约 6%）。进一步，我们通过非线性降维技术将数据投影到低维空间，为不确定性提供了一种新颖的解释。该降维可通过可视化解释测试数据，并揭示数据在低维特征空间中的结构。我们表明，对于当前数据集，贝叶斯-CNN 通过分别将假阴性和假阳性降低 11% 和 7.7%，可大幅优于最先进的迁移学习 CNN（TL-CNN）。其仅用 186 万参数即取得该性能，而 TL-CNN 为 1.3433 亿参数。此外，我们通过引入随机自适应激活函数改进贝叶斯-CNN。改进后的贝叶斯-CNN 在所有性能指标上略优于贝叶斯-CNN，并显著减少了假阴性和假阳性（两者均降低 3%）。我们还通过执行 McNemar 统计显著性检验表明这些结果具有统计显著性。本工作展示了贝叶斯-CNN 相对于最先进方法的优势，解释并利用了组织病理学图像的不确定性。它应在各类医学图像分类中找到应用。
引用
@article{arxiv.2010.12575,
title = {Explanation and Use of Uncertainty Quantified by Bayesian Neural Network Classifiers for Breast Histopathology Images},
author = {Ponkrshnan Thiagarajan and Pushkar Khairnar and Susanta Ghosh},
journal= {arXiv preprint arXiv:2010.12575},
year = {2021}
}
备注
Published in IEEE Transactions on Medical Imaging