评分者间变异性如何与偶然不确定性和认知不确定性相关：基于深度学习的椎旁肌分割案例研究
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
深度学习（DL）技术的最新进展使得医学图像分割任务性能大幅提升，尤其是借助最新的 Transformer 模型及其变体。虽然融合多评分者手动分割的标签常被用作 DL 模型训练中的理想真值，但由于训练偏差、图像噪声和极端解剖变异性等因素引起的评分者间变异性仍会影响所得算法的性能和不确定性。关于评分者间变异性如何影响所得 DL 算法可靠性（临床部署中的关键要素）的知识，有助于指导更好的训练数据构建和 DL 模型，但尚未被充分探索。本文中，我们使用测试时增强（TTA）、测试时丢弃（TTD）和深度集成来度量偶然不确定性和认知不确定性，以探究它们与评分者间变异性的关系。此外，我们比较 UNet 和 TransUNet，以研究 Transformer 在两种标签融合策略下对模型不确定性的影响。我们使用来自 T2w MRI 的多类椎旁肌分割进行案例研究。我们的研究揭示了受标签融合策略和 DL 模型选择影响的评分者间变异性与不确定性之间的相互作用。
引用
@article{arxiv.2308.06964,
title = {How inter-rater variability relates to aleatoric and epistemic uncertainty: a case study with deep learning-based paraspinal muscle segmentation},
author = {Parinaz Roshanzamir and Hassan Rivaz and Joshua Ahn and Hamza Mirza and Neda Naghdi and Meagan Anstruther and Michele C. Battié and Maryse Fortin and Yiming Xiao},
journal= {arXiv preprint arXiv:2308.06964},
year = {2023}
}
备注
Accepted in UNSURE MICCAI 2023