U2-Net：一种带认知不确定性反馈的贝叶斯U-Net模型用于病理OCT扫描中光感受器层分割
计算机视觉与模式识别
2019-10-14 v2
摘要
在本文中，我们介绍一种基于贝叶斯深度学习的模型，用于分割病理OCT扫描中的光感受器层。我们的架构提供光感受器层的准确分割，并生成逐像素认知不确定性图，以突出潜在的病灶区域或分割错误。我们在两组患有年龄相关性黄斑变性、视网膜静脉阻塞和糖尿病性黄斑水肿患者的病理OCT扫描中对该方法进行了实证评估，在Dice指数和精确率/召回率曲线下面积方面均优于基线U-Net。我们还观察到不确定性估计与模型性能呈负相关，这凸显了其在标示需人工检查/修正区域方面的效用。
引用
@article{arxiv.1901.07929,
title = {U2-Net: A Bayesian U-Net model with epistemic uncertainty feedback for photoreceptor layer segmentation in pathological OCT scans},
author = {José Ignacio Orlando and Philipp Seeböck and Hrvoje Bogunović and Sophie Klimscha and Christoph Grechenig and Sebastian Waldstein and Bianca S. Gerendas and Ursula Schmidt-Erfurth},
journal= {arXiv preprint arXiv:1901.07929},
year = {2019}
}
备注
Accepted for publication at IEEE International Symposium on Biomedical Imaging (ISBI) 2019