研究增强操作对医学置信度校准的影响
图像与视频处理
2023-08-24 v1
摘要
卷积神经网络（CNN）的临床可解释性高度依赖于对模型预测诊断标签及关联置信度的联合解释。模型的高度确定或不确定都会显著影响临床决策。因此，确保置信度估计反映预测真实正确似然至关重要。CNN 常校准不良且易过自信，导致不确定性度量不当。这催生了对置信度校准的需求。然而，基于准确率和性能的评价常作为医学任务唯一基准。考量误校准相关风险十分重要。近年来，出现了切割、混合与组合图像的现代增强技术。此类增强通过正则化、对对抗样本的鲁棒性及校准使 CNN 受益。基于图像缩放、旋转和缩放（注：zooming 原意为缩放，此处与 scaling 略有重复，依原文译）的标准增强在医学领域被广泛用来应对数据稀缺。本文中，我们评估了三种现代增强技术 CutMix、MixUp 和 CutOut 对医学任务中 CNN 校准与性能的影响。CutMix 对校准改善最大，而 CutOut 常降低校准水平。
引用
@article{arxiv.2308.11902,
title = {Studying the Impact of Augmentations on Medical Confidence Calibration},
author = {Adrit Rao and Joon-Young Lee and Oliver Aalami},
journal= {arXiv preprint arXiv:2308.11902},
year = {2023}
}
备注
ICCV CVAMD 2023