基于多输出保守预测的2D/3D解剖标志点局部化可靠不确定性量化
计算机视觉与模式识别
2025-03-19 v1 人工智能
机器学习
摘要
自动解剖标志点局部化在医学影像中需要的不仅是准确的预测，还需要可靠的不确定性量化，以有效支持临床决策。当前的不确定性量化方法常常不足，尤其是当结合正态性假设时，系统性地低估总体预测不确定性。本文引入保守预测作为解剖标志点局部化可靠不确定性量化的框架，解决了自动标志点局部化中的关键性空白。我们提出两种新方法，为多输出预测保证有限样本有效性：多输出回归-分类保守预测（M-R2CCP）及其变体多输出回归转分类保守预测集为区域（M-R2C2R）。与传统方法产生轴对齐超矩形或椭球形区域不同，我们的方法生成灵活的非凸预测区域，更好地捕捉标志点预测不确定性结构。通过在多个2D和3D数据集上的大量实证评估，我们展示了本方法在有效性和效率方面 consistently 优于现有的多输出保守预测方法。该工作代表了解剖标志点局部化可靠不确定性估计的重大进展，为临床医生提供可信赖的置信度度量以支持诊断。虽然为医学影像开发，但这些方法在更广泛的多输出回归问题中也显示出前景。
引用
@article{arxiv.2503.14106,
title = {Reliable uncertainty quantification for 2D/3D anatomical landmark localization using multi-output conformal prediction},
author = {Jef Jonkers and Frank Coopman and Luc Duchateau and Glenn Van Wallendael and Sofie Van Hoecke},
journal= {arXiv preprint arXiv:2503.14106},
year = {2025}
}
备注
33 pages, 10 figures