基于Ensemble Distillation的不确定性感知视网膏血管分割

不确定性估计对于可靠的医学图像分割至关重要，尤其是在视网膜血管分析中，准确的预测对于诊断应用至关重要。Deep Ensemble 是一种广泛用于提高医学图像分割性能的方法，其中训练多个网络。然而，随着 ensemble 数量的增加，训练和测试成本也随之增加。本文提出将 Ensemble Distillation 作为常用不确定性估计技术的稳健替代方案，通过将多个 ensemble 模型的知识蒸馏到单个模型中。通过在 DRIVE 和 FIVES 数据集上进行大量实验，我们证明了 Ensemble Distillation 通过校准和分割指标实现了可与之相当的性能，同时显著降低了计算复杂度。这些发现表明，Ensemble Distillation 为视网膜血管分割中的不确定性估计提供了一种高效且可靠的方法，使其成为医学成像应用的有前景的工具。