多任务学习中的不确定性：用于概率性仅 MR 放疗计划的联合表示
计算机视觉与模式识别
2019-08-23 v1
摘要
多任务神经网络架构提供了一种联合整合不同来源信息的机制。在仅 MR 放疗规划背景下这是理想的，因为它可从 MRI 联合回归合成 CT（synCT）扫描并分割危险器官（OAR）。我们提出一种概率多任务网络，其估计：1）通过异方差噪声模型实现空间自适应任务损失加权的内在不确定性；2）通过近似贝叶斯推断得到的参数不确定性。这允许对共享网络表示的多个分割与 synCT 进行采样。我们在前列腺癌扫描上测试模型，表明其生成更准确一致的 synCT，对误差方差有更好估计，在 OAR 分割上取得业界最优结果，并提供一种放疗治疗规划中的质量保证方法学。
引用
@article{arxiv.1806.06595,
title = {Uncertainty in multitask learning: joint representations for probabilistic MR-only radiotherapy planning},
author = {Felix J. S. Bragman and Ryutaro Tanno and Zach Eaton-Rosen and Wenqi Li and David J. Hawkes and Sebastien Ourselin and Daniel C. Alexander and Jamie R. McClelland and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:1806.06595},
year = {2019}
}
备注
Early-accept at MICCAI 2018, 8 pages, 4 figures