提高深层贝叶斯医学图像分割中不确定性-误差对应关系的效果
计算机视觉与模式识别
2024-09-06 v1 人工智能
人机交互
机器学习
摘要
自动化工具如深度学习在医学图像分割中大量应用缓解了手动轮廓绘制的瓶颈，这将人工工作转移到自动轮廓的质量评估中，该过程涉及检测错误并进行纠正。半自动化质量评估的潜在解决方案是使用深度贝叶斯不确定性来推荐可能的错误区域，从而减少错误检测的时间。以前的工作研究了不确定性与误差之间的对应关系，但尚未针对提高贝叶斯不确定性图的"实用性"进行研究，使其仅存在于不准确的区域而不在准确的区域。我们的工作采用 Accuracy-vs-Uncertainty (AvU) loss 训练 FlipOut 模型，以促进不确定性仅存在于不准确的区域。我们将此方法应用于两种放射治疗身体部位的数据集：颈部 CT 和前列腺 MR 扫描。不确定性热图（即预测熵）通过接收者运行特征曲线 (ROC) 和精确率-召回率曲线 (PR) 评估于体素不准确性。数值结果表明，与贝叶斯基线相比，所提出的方法成功抑制了准确体素的不确定性，同时保持对不准确体素的类似不确定性存在。可在 https://github.com/prerakmody/bayesuncertainty-error-correspondence 获取实验可重复性代码。
引用
@article{arxiv.2409.03470,
title = {Improving Uncertainty-Error Correspondence in Deep Bayesian Medical Image Segmentation},
author = {Prerak Mody and Nicolas F. Chaves-de-Plaza and Chinmay Rao and Eleftheria Astrenidou and Mischa de Ridder and Nienke Hoekstra and Klaus Hildebrandt and Marius Staring},
journal= {arXiv preprint arXiv:2409.03470},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:018