基于全卷积网络蒙特卡洛采样的脑分割固有质量控制

我们基于贝叶斯全卷积神经网络并利用模型不确定性，提出了用于脑分割有效质量控制的固有度量。通过在测试时使用 dropout，可从后验分布中高效生成蒙特卡洛样本。基于这些样本，我们除体素级不确定性图外，还引入了三种结构级不确定性度量。随后我们将这些结构级不确定性作为观测置信度度量纳入组分析中。我们的结果表明，这些度量与分割精度高度相关，因此构成了分割质量的固有度量。此外，带不确定性的组分析所得效应量更接近于人工标注的结果。所引入的不确定性度量不仅可在向临床实践转化中非常有用，还可为处理大型数据仓库提供自动化质量控制和组分析。