Homodyned-K分布的不确定性分解与误差边际检测：定量超声的应用
信号处理
2024-09-19 v1 人工智能
图像与视频处理
医学物理
机器学习
摘要
Homodyned K分布（HK分布）参数估计在定量超声（QUS）中最近采用贝叶斯神经网络（BNN）进行处理。BNN显著减少了基于散粒统计的QUS计算时间，同时不损失准确性和精确性。此外，它们提供特征不确定性的估计，可指导临床医生对报告值信任程度。贝叶斯建模的总体预测不确定性可分为eti (模型参数不确定性) 和 aleatoric (数据固有不确定性) 两个组成部分。通过分解预测不确定性，我们可洞察贡献总体不确定性的各因素。本研究提出一种计算BNN估计的HK分布参数（和）的eti 和 aleatoric 不确定性的方法，适用于仿真和实验数据。我们还研究预测误差与两种不确定性之间的关系，阐明了这些不确定性与HK参数误差之间的相互作用。
引用
@article{arxiv.2409.11583,
title = {Uncertainty Decomposition and Error Margin Detection of Homodyned-K Distribution in Quantitative Ultrasound},
author = {Dorsa Ameri and Ali K. Z. Tehrani and Ivan M. Rosado-Mendez and Hassan Rivaz},
journal= {arXiv preprint arXiv:2409.11583},
year = {2024}
}
备注
4 pages, 2 figures