深度神经网络中标签不确定性的建模：二维超声心动图质量评价中观察者内变异性的自动估计
机器学习
2019-11-05 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
临床数据中由观察者内变异性导致的标签不确定性，会直接影响深度神经网络评估的可靠性。本文提出一种在二维超声心动图（echo）背景下对此类不确定性建模的方法，echo是床旁检测心血管疾病的常规手段。超声成像质量与采集时间高度依赖于操作者的经验水平。近期进展表明，可通过深度学习技术将专家的质量评估映射至超声图像，从而实现echo图像质量量化的自动化。然而，专家评估中的观察者变异性会影响质量量化精度。在此，我们旨在将echo质量评价中的观察者内变异性建模为一个偶然不确定性回归问题，并引入一种处理带类别标签回归问题的新方法。我们设计的一个关键特征是仅需单次前向传播即可估计网络输出的不确定性水平。相比常规回归方法取得的绝对误差（0到1标度），所提方法将误差降至，该改进具有统计显著性，相当于的测试精度提升。所提方法简洁，可推广至医学影像中深度学习的其他应用，其中临床标签常存在不确定性。
引用
@article{arxiv.1911.00674,
title = {On Modelling Label Uncertainty in Deep Neural Networks: Automatic Estimation of Intra-observer Variability in 2D Echocardiography Quality Assessment},
author = {Zhibin Liao and Hany Girgis and Amir Abdi and Hooman Vaseli and Jorden Hetherington and Robert Rohling and Ken Gin and Teresa Tsang and Purang Abolmaesumi},
journal= {arXiv preprint arXiv:1911.00674},
year = {2019}
}