Perturb-and-MPM：稠密多标签CRF中的分割不确定性量化
计算机视觉与模式识别
2017-03-03 v2
摘要
本文提出一种用于稠密条件随机场(CRFs)中不确定性量化的新方法。所述方法称为 Perturb-and-MPM，可通过随机扰动从稠密多标签 CRF 中进行高效的近似采样。我们进行了分析误差分析，确定了近似误差的主要成因，并表明该误差是有界的。空间不确定性图可由 Perturb-and-MPM 模型导出，可用于可视化图像分割结果中的不确定性。该方法在合成和临床磁共振成像(Magnetic Resonance Imaging)数据上得到验证。该方法的的有效性在胶质母细胞瘤肿瘤核心分割这一挑战性问题上得到展示。我们发现高不确定性区域与错误分割的图像区域良好对应。此外，我们展示了不确定性图在脑肿瘤患者切除范围和残留肿瘤体积情况下精炼成像生物标志物的潜在用途。
引用
@article{arxiv.1703.00312,
title = {Perturb-and-MPM: Quantifying Segmentation Uncertainty in Dense Multi-Label CRFs},
author = {Raphael Meier and Urspeter Knecht and Alain Jungo and Roland Wiest and Mauricio Reyes},
journal= {arXiv preprint arXiv:1703.00312},
year = {2017}
}
备注
Deactivated review mode (line spacing)