Mask-TS Net：用于息肉分割的掩膜温度缩放不确定性校准
计算机视觉与模式识别
2024-05-10 v1
摘要
医学图像中许多流行的校准方法侧重于分类，但针对语义分割的类似研究很少。在医学图像的息肉分割中，我们发现大多数病变区域仅占整个图像的一小部分，导致先前的模型对病变区域校准不佳，但对背景校准良好，尽管它们整体上看似有更好的期望校准误差（ECE）分数。因此，我们提出了一种具有掩膜损失（Mask-Loss）和掩膜温度缩放（Mask-TS）策略的四分支校准网络，以更关注潜在病变区域内logits的缩放，从而减轻背景干扰的影响。在实验中，我们将现有校准方法与所提出的Mask-TS进行了比较。结果表明，所提出的校准网络在定性和定量上都优于其他方法。
引用
@article{arxiv.2405.05830,
title = {Mask-TS Net: Mask Temperature Scaling Uncertainty Calibration for Polyp Segmentation},
author = {Yudian Zhang and Chenhao Xu and Kaiye Xu and Haijiang Zhu},
journal= {arXiv preprint arXiv:2405.05830},
year = {2024}
}