SweiNet：基于深度学习的不确定性量化用于超声剪切波弹性成像
图像与视频处理
2022-03-22 v1
摘要
在超声剪切波弹性（SWE）成像中，存在多种从时空位移数据估计剪切波速度（SWS）的算法。然而，尚无方法提供经过良好校准且实用的不确定性度量，阻碍了SWE的临床应用及其在下游决策中的效用。在此，我们设计了一个深度学习SWS估计器，可同时输出每个估计值的定量且良好校准的不确定性值。我们的深度神经网络（DNN）以单张跟踪位移数据的二维时空平面作为输入，输出对数正态概率分布的两个参数和。对于训练和测试，我们使用了从30名孕妇收集的宫颈体内2D-SWE数据，总计551次采集和超过200万张时空图。按不确定性将数据点分组到分箱中以评估不确定性校准：预测不确定性与均方根估计误差紧密匹配，平均绝对百分比偏差为3.84%。我们创建了一个留一法集成模型，在留出患者数据上估计不确定性的校准优于任何单个集成成员（1.45%）。最后，我们将DNN应用于外部数据集以评估其泛化能力。我们已公开训练好的模型SweiNet，为研究界提供一个快速的SWS估计器，同时输出良好校准的预测不确定性估计。
引用
@article{arxiv.2203.10678,
title = {SweiNet: Deep Learning Based Uncertainty Quantification for Ultrasound Shear Wave Elasticity Imaging},
author = {Felix Q. Jin and Lindsey C. Carlson and Helen Feltovich and Timothy J. Hall and Mark L. Palmeri},
journal= {arXiv preprint arXiv:2203.10678},
year = {2022}
}
备注
9 pages, 8 figures