全贝叶斯 VIB-DeepSSM
计算机视觉与模式识别
2023-07-21 v2
摘要
统计形状建模(SSM)支持基于群体的解剖形状定量分析,为临床诊断提供信息。深度学习方法可直接从未分割的 3D 图像预测基于对应关系的 SSM,但需要经过校准的不确定性量化,这促使了贝叶斯公式的发展。变分信息瓶颈 DeepSSM(VIB-DeepSSM)是一个有效且原理严谨的框架,用于从图像中预测解剖结构的概率形状,并带有偶然不确定性量化。然而,VIB 仅是半贝叶斯的,缺乏认知不确定性推断。我们推导了全贝叶斯 VIB 公式,并展示了两种可扩展实现方法的有效性:concrete dropout 和 batch ensemble。此外,我们引入了一种将二者结合的新方法,通过多模态边缘化进一步增强了不确定性校准。在合成形状和左心房数据上的实验表明,全贝叶斯 VIB 网络在预测图像中的 SSM 时改进了不确定性推理,且不牺牲精度。
引用
@article{arxiv.2305.05797,
title = {Fully Bayesian VIB-DeepSSM},
author = {Jadie Adams and Shireen Elhabian},
journal= {arXiv preprint arXiv:2305.05797},
year = {2023}
}
备注
Accepted to MICCAI 2023. 13 pages, 4 figures, appendix