深度二维超声心动图分割中的不确定性估计
计算机视觉与模式识别
2020-05-20 v1
摘要
二维超声心动图是心血管疾病最常见的成像方式。超声（US）的便携性和相对低成本使得执行超声心动图所需的 US 设备得以广泛普及。然而，心脏 US 图像的采集与解读依赖于操作者，限制了其仅能在有专家在场的地方使用。近来，深度学习（DL）已被用于二维超声心动图中实现自动切面分类以及结构与功能评估。尽管这些近期工作在开发计算机引导采集与超声心动图自动解读方面展现出前景，但多数方法并未建模和估计不确定性，而在测试数据分布远离训练数据分布时这一点可能十分重要。不确定性估计在图像采集阶段（通过向操作者提供所采集图像质量的实时反馈）以及自动测量与解读阶段均有益处。不确定性模型与量化指标的性能可能取决于所比较的预测任务与模型。因此，为深入理解 US 图像左室分割的不确定性建模，我们在两个公开可用的超声心动图数据集上，基于最先进的基线网络，使用四种不同指标（其中一个为新提出）比较了三种基于集成的的不确定性模型。我们进一步展示了如何利用不确定性估计自动拒绝低质量图像并改进最先进的分割结果。
引用
@article{arxiv.2005.09349,
title = {Uncertainty Estimation in Deep 2D Echocardiography Segmentation},
author = {Lavsen Dahal and Aayush Kafle and Bishesh Khanal},
journal= {arXiv preprint arXiv:2005.09349},
year = {2020}
}