TBraTS：可信脑肿瘤分割
图像与视频处理
2022-07-29 v3 计算机视觉与模式识别
摘要
尽管脑肿瘤分割的准确性近期有所提高，其结果仍表现出较低的可信度和鲁棒性。不确定性估计是改变这一状况的有效途径，因为它提供了对分割结果可信度的度量。在本文中，我们提出了一种可信脑肿瘤分割网络，该网络能够生成鲁棒的分割结果和可靠的不确定性估计，而无需过多的计算负担和对骨干网络的修改。在我们的方法中，不确定性使用主观逻辑理论进行显式建模，该理论通过将分割的类别概率参数化为狄利克雷分布，将骨干神经网络的预测视为主观意见。同时，可信分割框架学习从特征中收集可靠证据以得到最终分割结果的函数。总体而言，我们统一的 trusted segmentation 框架赋予了模型对分布外样本的可靠性和鲁棒性。为评估我们模型在鲁棒性和可靠性方面的有效性，我们在 BraTS 2019 数据集上进行了定性和定量实验。
引用
@article{arxiv.2206.09309,
title = {TBraTS: Trusted Brain Tumor Segmentation},
author = {Ke Zou and Xuedong Yuan and Xiaojing Shen and Meng Wang and Huazhu Fu},
journal= {arXiv preprint arXiv:2206.09309},
year = {2022}
}
备注
11 pages, 4 figures, Accepted by MICCAI 2022