基于保守预测的可靠多视图学习用于心脏瓣膜狭窄分类
图像与视频处理
2024-09-17 v1 人工智能
计算机视觉与模式识别
摘要
超声引导诊断的根本问题在于，获取的图像往往是 3D 解剖的 2D 横截面，可能遗漏重要的解剖细节。这一限制导致超声心动图学中的诸多挑战，如心脏瓣膜可视化不佳或心室缩短。临床医生必须解释这些具有内在不确定性的图像，而机器学习的单热门标签则缺乏这一细微之处。我们提出了一种数据中心方法，即不确定性再训练 (Re-Training for Uncertainty, RT4U)，用于在训练集中引入不确定性以处理弱信息输入。这种简单的方法可以整合到现有最先进的心脏瓣膜狭窄分类方法中，以进一步提高其准确率。当结合保守预测技术时，RT4U 可产生自适应大小的预测集，保证以高准确率包含真实标签。我们在三个不同的数据集上验证了 RT4U 的有效性：公共数据集 (TMED-2) 和私人心脏瓣膜狭窄数据集，以及一个派生自 CIFAR-10 的玩具数据集。结果显示，在所有数据集上均实现了提升。
引用
@article{arxiv.2409.09680,
title = {Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography},
author = {Ang Nan Gu and Michael Tsang and Hooman Vaseli and Teresa Tsang and Purang Abolmaesumi},
journal= {arXiv preprint arXiv:2409.09680},
year = {2024}
}
备注
This preprint has not undergone any post-submission improvements or corrections. The Version of Record of this contribution is published in: International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer (2024) under the same title