基于局部Lipschitz的深度学习图像重建不确定性估计与分布外检测
计算机视觉与模式识别
2023-12-04 v3 机器学习
图像与视频处理
摘要
准确的图像重建是医学影像诊断的核心。基于监督深度学习的方法已被研究用于解决包括图像重建在内的逆问题。然而，这些训练好的模型在部署时会遇到与训练数据分布差异很大的未见数据分布。因此，出于诊断目的，评估给定输入是否落在训练数据分布内至关重要。现有不确定性估计方法侧重于为放射科医生提供不确定性图，而非评估训练分布的拟合度。本工作中，我们提出一种基于局部Lipschitz度量的方法，以99.94%的曲线下面积区分分布外图像与分布内图像。我们通过实验证明了局部Lipschitz值与平均绝对误差（MAE）之间的极强关系，其Spearman秩相关系数为0.8475，该系数确定了最优模型性能的不确定性估计阈值。通过识别假阳性，局部Lipschitz与MAE的关系被用于指导数据增强并降低模型不确定性。我们的研究使用AUTOMAP架构进行传感器到图像的磁共振成像（MRI）重建验证。我们将所提方法与基线方法蒙特卡洛 dropout 和深度集成进行比较，并进一步使用UNET架构分析了MRI去噪和计算机断层扫描（CT）稀疏到全视角重建。我们表明，我们的方法适用于各种架构和学习函数，尤其在医学图像重建领域，保持重建图像的诊断准确性至关重要。
引用
@article{arxiv.2305.07618,
title = {Uncertainty Estimation and Out-of-Distribution Detection for Deep Learning-Based Image Reconstruction using the Local Lipschitz},
author = {Danyal F. Bhutto and Bo Zhu and Jeremiah Z. Liu and Neha Koonjoo and Hongwei B. Li and Bruce R. Rosen and Matthew S. Rosen},
journal= {arXiv preprint arXiv:2305.07618},
year = {2023}
}