基于机器学习的分割中的不确定性量化：一种用于 MRI 左心室容积估计的事后方法
计算机视觉与模式识别
2025-03-19 v2 统计方法学
摘要
近期研究证实，心血管疾病仍然是非传染性疾病中死亡率最高的。准确的左心室（LV）容积估计对于各种心血管疾病的正确诊断和管理至关重要，但由于磁共振成像（MRI）中分割算法固有的不确定性，这带来了重大挑战。近期机器学习的进展，特别是类 U-Net 卷积网络，促进了医学图像的自动分割，但在某些病理情况下和/或不同的扫描仪供应商及成像协议下仍存在困难。本研究提出了一种新颖的 LV 容积预测事后不确定性估计方法，使用 It\^{o} 随机微分方程（SDEs）对预测误差的路径行为进行建模。该模型描述了沿心脏长轴的左心室面积。该方法对底层分割算法是不可知的，便于其与各种现有和未来的分割技术配合使用。所提出的方法提供了一种量化不确定性的机制，使医疗专业人员能够对不可靠的预测进行干预。这在医疗诊断等关键应用中至关重要，因为预测的准确性和可靠性会直接影响患者的治疗结果。该方法对数据集变化也具有鲁棒性，适用于难以获取标注数据的医疗中心。我们的研究结果强调了所提出的不确定性估计方法在增强自动分割鲁棒性和泛化性方面的潜力，为临床环境中更可靠和准确的 LV 容积估计铺平了道路，并为生物医学图像分割中的不确定性量化开辟了新途径，为未来的研究提供了有希望的方向。
引用
@article{arxiv.2312.02167,
title = {Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI},
author = {F. Terhag and P. Knechtges and A. Basermann and R. Tempone},
journal= {arXiv preprint arXiv:2312.02167},
year = {2025}
}