嗜酸性粒细胞分割的不确定性量化
图像与视频处理
2023-11-09 v2 计算机视觉与模式识别
机器学习
摘要
嗜酸性食管炎（EoE）是一种患病率上升的过敏性疾病。为诊断 EoE，病理学家必须在单个高倍视野（400X 放大）内发现 15 个或更多嗜酸性粒细胞。判定患者是否患有 EoE 可能是一个繁琐的过程，任何用于辅助诊断的医学影像方法都必须兼顾效率与精度。我们提出对 Adorno 等人利用深度图像分割量化嗜酸性粒细胞方法的改进。我们的新方法利用蒙特卡洛 Dropout（深度学习中一种常用的减少过拟合的方法）为当前深度学习模型提供不确定性量化。该不确定性可在输出图像中可视化，以评估模型性能、提供深度学习算法运作机制的洞见，并辅助病理学家识别嗜酸性粒细胞。
引用
@article{arxiv.2309.16536,
title = {Uncertainty Quantification for Eosinophil Segmentation},
author = {Kevin Lin and Donald Brown and Sana Syed and Adam Greene},
journal= {arXiv preprint arXiv:2309.16536},
year = {2023}
}
备注
Preprint, Final Article Submitted to ICBRA 2023 and will be published in the International Conference Proceedings by ACM, Association for Computing Machinery (ISBN: 979-8-4007-0815-2), which will be archived in ACM Digital Library, indexed by Ei Compendex and Scopus