不确定性驱动的合理性检验：在术后脑肿瘤腔分割中的应用
计算机视觉与模式识别
2018-06-11 v1
摘要
现代神经网络的的不确定性估计除了提供计算所得的预测外还给出额外信息，因此有望增进对底层模型的理解。可靠的不确定性对于医学中安全关键的计算机辅助应用尤为有趣，例如神经外科手术干预和放疗规划。我们提出一种不确定性驱动的合理性检验，用于识别需要专家特别复核的分割结果。我们的方法使用全卷积神经网络，并基于蒙特卡洛 dropout 原理计算不确定性估计。我们在一个包含 30 张术后脑肿瘤图像的临床数据集上评估了所提方法的性能。该方法能够准确分割高度不均匀的切除腔（Dice 系数 0.792 0.154）。此外，所提出的合理性检验能够检测出最差的分割结果以及四个离群点中的三个。结果凸显了利用模型参数不确定性所提供的额外信息来验证深度学习模型分割性能的潜力。
引用
@article{arxiv.1806.03106,
title = {Uncertainty-driven Sanity Check: Application to Postoperative Brain Tumor Cavity Segmentation},
author = {Alain Jungo and Raphael Meier and Ekin Ermis and Evelyn Herrmann and Mauricio Reyes},
journal= {arXiv preprint arXiv:1806.03106},
year = {2018}
}
备注
Appears in Medical Imaging with Deep Learning (MIDL), 2018