医学影像中偶然不确定性量化的潜密度分割模型研究与改进
计算机视觉与模式识别
2024-08-21 v5
摘要
数据不确定性（如传感器噪声、遮挡或采集方法的局限性）会在图像中引入不可约的歧义，导致不同但合理的语义假设。在机器学习中，这种歧义通常被称为偶然不确定性。在图像分割中，可利用潜密度模型来解决此问题。最流行的方法是概率U-Net（PU-Net），其使用潜正态密度来优化条件数据对数似然的证据下界。本工作中，我们证明PU-Net的潜空间极度稀疏且利用严重不足。为此，我们在潜空间中引入互信息最大化和熵正则化Sinkhorn散度，以促进所有潜维度的同质性，有效改善梯度下降更新与潜空间信息量。我们的结果表明，在多个临床分割问题的公开数据集上应用该方法后，相较于先前的概率分割潜变量模型，我们所提方法在匈牙利匹配交并比上获得高达11%的性能提升。结果表明，鼓励同质潜空间可显著改进医学图像分割的潜密度建模。
引用
@article{arxiv.2307.16694,
title = {Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging},
author = {M. M. Amaan Valiuddin and Christiaan G. A. Viviers and Ruud J. G. van Sloun and Peter H. N. de With and Fons van der Sommen},
journal= {arXiv preprint arXiv:2307.16694},
year = {2024}
}