在基于MRI的卒中分析中融合深度神经网络的不确定性
图像与视频处理
2020-08-17 v1 计算机视觉与模式识别
机器学习
定量方法
机器学习
摘要
目前，大多数提出的深度学习方法（DL）提供点预测而未量化模型不确定性。然而，自动化图像分析可靠性的量化至关重要，尤其在医学中当医生依赖结果做出关键治疗决策时。本工作中，我们提供了一套完整框架，将贝叶斯不确定性整合进分析流程以诊断缺血性卒中患者。我们提出一种贝叶斯卷积神经网络（CNN），在2D磁共振（MR）图像上给出卒中病灶概率及关于预测可靠性的对应不确定性信息。对于患者级诊断，提出并评估了不同聚合方法，其结合单图像级预测。这些方法利用图像预测中的不确定性，并在患者级报告模型不确定性。在511名患者的队列中，我们的贝叶斯CNN在图像级达到95.33%准确率，较非贝叶斯对应方法显著提高了2%。最佳患者聚合方法 yielding 95.89%准确率。在聚合模型中整合图像预测的不确定性信息，导致对错误患者分类产生更高的不确定性度量，从而能够筛选出应由医生进一步检查的危急患者诊断。因此我们建议使用贝叶斯方法，不仅用于改进图像级预测与不确定性估计，也用于检测患者级的不确定聚合。
引用
@article{arxiv.2008.06332,
title = {Integrating uncertainty in deep neural networks for MRI based stroke analysis},
author = {Lisa Herzog and Elvis Murina and Oliver Dürr and Susanne Wegener and Beate Sick},
journal= {arXiv preprint arXiv:2008.06332},
year = {2020}
}
备注
21 pages, 13 figures