面向多标注分割的监督式不确定性量化
机器学习
2022-05-31 v2 计算机视觉与模式识别
机器学习
摘要
在肺结节分割等医疗场景中，预测不确定性的准确估计十分重要。遗憾的是，现有大多数关于预测不确定性的工作并未给出经校准、可在实践中使用的不确定性估计。本文中，我们利用多阅片者标注变异性作为“真值”偶然不确定性的来源，其可在监督学习问题中被视为目标。我们将该真值不确定性与概率 U-Net 结合，并在 LIDC-IDRI 肺结节 CT 数据集与 MICCAI2012 前列腺 MRI 数据集上测试。我们发现能够改进预测不确定性估计，同时也提升了样本精度与样本多样性。在实际应用中，我们的方法可向医生告知分割结果的置信度。
引用
@article{arxiv.1907.01949,
title = {Supervised Uncertainty Quantification for Segmentation with Multiple Annotations},
author = {Shi Hu and Daniel Worrall and Stefan Knegt and Bas Veeling and Henkjan Huisman and Max Welling},
journal= {arXiv preprint arXiv:1907.01949},
year = {2022}
}
备注
MICCAI 2019. Fixed a few typos