面向域外 MRI 分割的改进后验概率校准
计算机视觉与模式识别
2022-09-16 v2
摘要
深度模型的概率校准在医学影像等安全关键应用中极为重要。它通过对齐预测概率与测试数据中的实际准确率，使深度网络的输出概率具有可解释性。在图像分割中，经过良好校准的概率可帮助放射科医生识别模型预测分割结果不可靠的区域。这些不可靠预测常出现在由成像伪影或未见成像协议导致的域外（OOD）图像上。遗憾的是，以往大多数图像分割校准方法在 OOD 图像上表现欠佳。为降低面对 OOD 图像时的校准误差，我们提出了一种新颖的后验校准模型。我们的模型在局部层面利用像素对扰动的敏感性，在全局层面利用形状先验信息。该模型在包含未见成像伪影及来自未见成像协议图像的心脏 MRI 分割数据集上进行了测试。我们展示了相比最先进校准算法更低的校准误差。
引用
@article{arxiv.2208.02870,
title = {Improved post-hoc probability calibration for out-of-domain MRI segmentation},
author = {Cheng Ouyang and Shuo Wang and Chen Chen and Zeju Li and Wenjia Bai and Bernhard Kainz and Daniel Rueckert},
journal= {arXiv preprint arXiv:2208.02870},
year = {2022}
}
备注
Accepted for UNSURE workshop at MICCAI 2022