用于COVID-19检测的深层不确定性预测客观评估
图像与视频处理
2020-12-23 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络(DNNs)已广泛应用于医学图像中COVID-19的检测。现有研究主要应用迁移学习及其他数据表示策略来生成准确的点估计。这些网络的泛化能力始终存疑，因其使用小数据集开发且未报告预测置信度。量化与DNN预测相关的不确定性是其于医疗环境中可信部署的先决条件。在此，我们应用并评估了三种用于基于胸部X光(CXR)图像的COVID-19检测的不确定性量化技术。提出了不确定性混淆矩阵的新概念，并引入了用于不确定性估计客观评估的新性能指标。通过综合实验表明，在CXR图像上预训练的网络优于在ImageNet等自然图像数据集上预训练的网络。定性与定量评估还揭示，错误预测的预测不确定性估计在统计上高于正确预测。据此，不确定性量化方法能够以高不确定性估计标记高风险预测。我们还观察到集成方法在推理过程中更可靠地捕获不确定性。
引用
@article{arxiv.2012.11840,
title = {Objective Evaluation of Deep Uncertainty Predictions for COVID-19 Detection},
author = {Hamzeh Asgharnezhad and Afshar Shamsi and Roohallah Alizadehsani and Abbas Khosravi and Saeid Nahavandi and Zahra Alizadeh Sani and Dipti Srinivasan},
journal= {arXiv preprint arXiv:2012.11840},
year = {2020}
}
备注
7 pages, 6 figures, 1 Table, 36 refrences