不确定性估计技术对肝脏病灶检测中假阳性削减的影响
图像与视频处理
2023-07-03 v4 计算机视觉与模式识别
机器学习
摘要
深度学习技术在医学图像目标检测中表现成功，但仍受假阳性预测困扰，可能妨碍准确诊断。神经网络输出的估计不确定性已被用于标记错误预测。我们通过针对不同的不确定性估计方法开发基于分类的后处理步骤，研究了由神经网络不确定性估计计算得到的特征以及由二值预测计算得到的基于形状的特征在削减肝脏病灶检测假阳性中所起的作用。我们在两个分别包含腹部 MR 与 CT 图像的数据集上，针对所有不确定性估计方法均展示了神经网络病灶检测性能（就 F1 分数而言）的提升。我们表明，由神经网络不确定性估计计算得到的特征往往对削减假阳性贡献不大。我们的结果显示，诸如类别不平衡（真阳性与假阳性之比）以及从不确定性图中提取的基于形状的特征等因素，在区分假阳性与真阳性预测中起着重要作用。我们的代码可在 https://github.com/ishaanb92/FPCPipeline 找到。
引用
@article{arxiv.2206.10911,
title = {Influence of uncertainty estimation techniques on false-positive reduction in liver lesion detection},
author = {Ishaan Bhat and Josien P. W. Pluim and Max A. Viergever and Hugo J. Kuijf},
journal= {arXiv preprint arXiv:2206.10911},
year = {2023}
}
备注
Accepted for publication in the Journal of Machine Learning for Biomedical Imaging (MELBA)