基于 conformal risk control的医学实例分割中假发现发现率的统计管理
计算机视觉与模式识别
2025-04-29 v2 人工智能
摘要
实例分割在医学图像分析中发挥着关键作用，通过实现对病灶、肿瘤和解剖结构的精确定位和描绘。尽管 Mask R-CNN 和 BlendMask 等深度学习模型取得了显著进展，但其在高风险医疗场景中的应用仍受到置信度校准问题的制约，这可能导致误诊。为此，我们提出了一个基于 conformal prediction theory 构建的稳健质量控制框架。该框架创新性地构建了风险感知的动态阈值机制，根据临床要求自适应调整分割决策边界。具体而言，我们设计了一个校准感知损失函数，根据用户定义的风险水平 动态调节分割阈值。利用可交换校准数据，该方法确保在高概率下，测试数据上的预期 FNR 或 FDR 小于 。该框架与主流分割模型（如 Mask R-CNN、BlendMask+ResNet-50-FPN）和数据集（PASCAL VOC 格式）完全兼容，且无需修改网络结构。实验结果表明，我们通过所开发的校准框架严格地对 FDR 指标在测试集上的边际进行了界限控制。
引用
@article{arxiv.2504.04482,
title = {Statistical Management of the False Discovery Rate in Medical Instance Segmentation Based on Conformal Risk Control},
author = {Mengxia Dai and Wenqian Luo and Tianyang Li},
journal= {arXiv preprint arXiv:2504.04482},
year = {2025}
}
备注
Accepted by 2025 IEEE 3rd International Conference on Image Processing and Computer Applications (ICIPCA 2025)