探索医学检测中实例级不确定性
计算机视觉与模式识别
2021-02-09 v3
摘要
深度学习预测不确定性的能力被公认为其应用于临床流程的关键。此外，依据经验证据对不确定性进行建模已带来性能提升。尽管先前工作已广泛讨论分割与分类任务中的不确定性估计，但其在基于边界框的检测中的应用仍有限，主要源于边界框对齐的挑战。在本工作中，我们探索为二维半（2.5D）检测 CNN 增补两种不同的边界框级（或实例级）不确定性估计，即预测方差与蒙特卡洛（Monte Carlo, MC）样本方差。实验在 LUNA16 数据集上进行肺结节检测，该任务中结节与非结节间可能存在显著的语义歧义。结果表明，利用两类方差的组合，我们的方法将评估分数从 84.57% 提升至 88.86%。此外，我们展示了所生成的不确定性相比仅使用概率阈值能够实现更优的操作点，并可进一步提升性能至 89.52%。示例结节检测被可视化以进一步阐明我们方法的优势。
引用
@article{arxiv.2012.12880,
title = {Exploring Instance-Level Uncertainty for Medical Detection},
author = {Jiawei Yang and Yuan Liang and Yao Zhang and Weinan Song and Kun Wang and Lei He},
journal= {arXiv preprint arXiv:2012.12880},
year = {2021}
}