给我（不）确定性——影响分割不确定性的参数探索
图像与视频处理
2019-11-18 v1 计算机视觉与模式识别
机器学习
摘要
医学影像中的分割任务 inherently 具有歧义性：由于图像质量和生物因素，目标结构的边界往往不清晰。因此，深度学习算法预测的分割 inherently 具有歧义性。此外，由人类标注者执行的“金标准”分割实际上是弱标签，进一步增加了基于这些手动标签开发的监督模型输出的不确定性。迄今为止，大多数深度学习分割研究使用预测的分割而不进行不确定性量化。相反，我们探索使用蒙特卡洛 dropout U-Nets 进行分割并额外量化分割不确定性。我们评估了三种不确定性度量（变异系数、平均成对Dice和平均体素不确定性）在分割歧义性较小的目标结构（肝脏）和歧义性较大的目标结构（肝脏肿瘤）中的效用。此外，我们评估了这些度量的效用如何随不同块大小和代价函数而变化。我们的结果表明，与使用较小块和软Dice损失的模型相比，使用较大块和加权分类交叉熵作为代价函数训练的模型能够提取更有意义的不确定性度量。在三种不确定性度量中，平均成对Dice与分割质量的相关性最强。我们的研究作为概念验证，说明了如何利用不确定性度量评估预测分割的质量，并有可能用于标记给定模型中低质量的分割以供进一步人工审查。
引用
@article{arxiv.1911.06357,
title = {Give me (un)certainty -- An exploration of parameters that affect segmentation uncertainty},
author = {Katharina Hoebel and Ken Chang and Jay Patel and Praveer Singh and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:1911.06357},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract