关于校准预测器与无偏体积估计之间的关系
图像与视频处理
2021-12-24 v1 计算机视觉与模式识别
摘要
机器学习驱动的医学图像分割已成为医学图像分析中的标准。然而，深度学习模型容易产生过度自信的预测。这导致医学成像及更广机器学习界对校准预测的重新关注。校准预测是指对应于在置信度条件下标签真实期望值的标签概率估计。此类校准预测在一系列医学成像应用中具有效用，包括不确定性下的手术规划与主动学习系统。同时，对许多医学应用而言，往往准确的体积测量才真正重要。本工作研究模型校准与体积估计之间的关系。我们从数学与经验上证明：若预测器逐图像校准，则可通过取图像逐像素/体素概率分数的期望获得正确体积。此外，我们表明校准分类器的凸组合保持体积估计，但不保持校准。因此，我们得出结论：拥有校准预测器是获得体积无偏估计的充分但非必要条件。我们在 BraTS 2018 上的胶质瘤体积估计与 ISLES 2018 数据集上的缺血性卒中病灶体积估计任务中，对 18 种不同（校准）训练策略集合验证了我们的理论发现。
引用
@article{arxiv.2112.12560,
title = {On the relationship between calibrated predictors and unbiased volume estimation},
author = {Teodora Popordanoska and Jeroen Bertels and Dirk Vandermeulen and Frederik Maes and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:2112.12560},
year = {2021}
}
备注
Published at MICCAI 2021