用于医学图像分割的深度网络训练后不确定性校准
图像与视频处理
2020-10-28 v1
摘要
用于自动图像分割的神经网络通常训练以达成最高精度，而对其置信度分数的校准关注较少。然而，校准良好的置信度分数向用户提供了有价值的信息。我们研究了几种易于实现的训练后校准方法，其中一些是新颖的。将它们与蒙特卡洛(MC) dropout进行比较。它们被应用于在BraTS 2018和ISLES 2018上以交叉熵(CE)损失和软Dice(SD)损失训练的神经网络。令人惊讶的是，以SD损失训练的模型未必比以CE损失训练的校准更差。在所有情况下，至少一种训练后方法改善了校准。结果的一致性有限，因此我们无法断定某一种方法更优。在所有情况下，训练后校准都与MC dropout具有竞争力。尽管平均校准相较基础模型有所改善，但受试者水平的校准方差保持相似。
引用
@article{arxiv.2010.14290,
title = {Post Training Uncertainty Calibration of Deep Networks For Medical Image Segmentation},
author = {Axel-Jan Rousseau and Thijs Becker and Jeroen Bertels and Matthew B. Blaschko and Dirk Valkenborg},
journal= {arXiv preprint arXiv:2010.14290},
year = {2020}
}
备注
6 pages, 3 figures, submitted to ISBI'21