基于区域的证据深度学习量化不确定性并提升脑肿瘤分割鲁棒性
图像与视频处理
2022-08-15 v1 计算机视觉与模式识别
机器学习
摘要
尽管脑肿瘤分割精度近期取得进展，其结果仍面临可靠性与鲁棒性不足的问题。不确定性估计是解决该问题的有效方案，因为它提供了对分割结果置信度的度量。当前基于分位数回归、贝叶斯神经网络、集成与蒙特卡洛 dropout 的不确定性估计方法受限于高计算成本与不一致性。为克服这些挑战，证据深度学习（EDL）在近期工作中被提出，但主要用于自然图像分类。本文中，我们提出了一种基于区域的EDL分割框架，可生成可靠的不确定性图与鲁棒的分割结果。我们利用证据理论将神经网络输出解释为从输入特征中收集的证据值。依据主观逻辑，证据被参数化为Dirichlet分布，预测概率被视为主观意见。为评估我们的模型在分割与不确定性估计上的表现，我们在BraTS 2020数据集上进行了定量与定性实验。结果表明所提方法在量化分割不确定性与鲁棒分割肿瘤方面表现最优。此外，我们提出的新框架保持了低计算成本与易实现的优势，并展现出临床应用潜力。
引用
@article{arxiv.2208.06038,
title = {Region-Based Evidential Deep Learning to Quantify Uncertainty and Improve Robustness of Brain Tumor Segmentation},
author = {Hao Li and Yang Nan and Javier Del Ser and Guang Yang},
journal= {arXiv preprint arXiv:2208.06038},
year = {2022}
}
备注
16 Pages, 3 figures, submitted to NCAA