基于标准化流的医学图像分割不确定性量化
机器学习
2020-08-05 v2 计算机视觉与模式识别
机器学习
摘要
由于部分容积效应和解剖定义差异等因素，医学图像分割本质上是一项模糊的任务。虽然在大多数情况下分割不确定性位于感兴趣结构的边界附近，但也可能存在相当大的评分者间差异。条件变分自编码器（cVAE）类方法提供了一种原则性途径，用于推断以输入图像为条件的合理分割分布。从此类分布样本中估计的分割不确定性，比使用像素级概率分数更具信息量。在本工作中，我们提出了一种基于条件标准化流（cFlow）的新颖条件生成模型。基本思想是在编码器之后引入一个 cFlow 变换步骤，以增强 cVAE 的表达能力。这 yielding 了对潜变量后验分布的改进近似，使模型能够捕捉更丰富的分割变化。借此我们表明，从我们条件生成模型获得的样本的质量与多样性均得到提升。我们称为 cFlow Net 的模型性能在两个医学成像数据集上进行了评估，与近期基于 cVAE 的模型相比，在定性与定量指标上均显示出实质性改进。
引用
@article{arxiv.2006.02683,
title = {Uncertainty quantification in medical image segmentation with normalizing flows},
author = {Raghavendra Selvan and Frederik Faye and Jon Middleton and Akshay Pai},
journal= {arXiv preprint arXiv:2006.02683},
year = {2020}
}
备注
12 pages. Accepted to be presented at 11th International Workshop on Machine Learning in Medical Imaging. Source code will be updated at https://github.com/raghavian/cFlow