通过进化策略量化 MRI 检测脉络膜转移瘤中的不确定性
计算机视觉与模式识别
2024-04-16 v1 机器学习
神经与进化计算
摘要
不确定性量化通过解决对可信度日益增长的担忧，在促进人工智能在放射学中的实际应用方面发挥着至关重要的作用。鉴于该领域获取大型标注数据集相关的挑战，需要一种能够在针对放射学图像的小数据人工智能方法中进行不确定性量化的方法。在本研究中，我们关注小数据进化策略技术深度神经进化（DNE）背景下的不确定性量化。具体而言，我们采用 DNE 训练了一个简单的卷积神经网络（CNN），使用眼部 MRI 图像进行二元分类。目标是区分正常眼睛和患有称为脉络膜转移瘤的转移性肿瘤的眼睛。训练集包含 18 张脉络膜转移瘤图像和 18 张无肿瘤图像，而测试集的肿瘤与正常比例为 15:15。我们通过 DNE 训练 CNN 模型权重约 40,000 个回合，最终在训练集上达到 100% 的准确率收敛。我们保存了所有达到最大训练集准确率的模型。然后，通过将这些模型应用于测试集，我们建立了一种用于不确定性量化的集成方法。保存的模型集为测试集中的每张图像生成了正常和含肿瘤两类之间的分布。相对频率允许对模型预测进行不确定性量化。有趣的是，我们发现人类放射科医师所欣赏的主观特征解释了不确定性较高的图像，突显了不确定性量化在人工智能驱动的放射学分析中的重要性。
引用
@article{arxiv.2404.08853,
title = {Uncertainty Quantification in Detecting Choroidal Metastases on MRI via Evolutionary Strategies},
author = {Bala McRae-Posani and Andrei Holodny and Hrithwik Shalu and Joseph N Stember},
journal= {arXiv preprint arXiv:2404.08853},
year = {2024}
}