迈向安全深度学习：精确量化神经网络预测中的生物标记物不确定性
计算机视觉与模式识别
2018-06-25 v1
摘要
自动化医学图像分割，特别是使用深度学习，在语义分割任务中表现出卓越性能。然而，这些方法很少量化其不确定性，可能导致下游分析错误。本工作中我们提议使用贝叶斯神经网络在语义分割领域内量化不确定性。我们还提出一种将体素级分割不确定性转换为体积不确定性的方法，并校准派生测量的置信区间的准确性与可靠性。应用于肿瘤体积估计时，我们证明通过使用此类不确定性建模，可使深度学习系统报告带有良好校准误差条的体积估计，从而在临床使用中更安全。我们还显示不确定性估计可外推至未见过的数据，且置信区间在人工噪声存在下具有鲁棒性。这可用于提供质量控制与质量保证，并可能促进深度学习工具在临床中的进一步采用。
引用
@article{arxiv.1806.08640,
title = {Towards safe deep learning: accurately quantifying biomarker uncertainty in neural network predictions},
author = {Zach Eaton-Rosen and Felix Bragman and Sotirios Bisdas and Sebastien Ourselin and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:1806.08640},
year = {2018}
}
备注
Accepted to MICCAI 2018