皮肤癌皮捣分割图像的深度学习不确定性量化与回归分析框架
图像与视频处理
2024-12-31 v1 计算机视觉与模式识别
摘要
深度学习模型（DLM）常常能够准确分割和分类医学图像中的肿瘤。然而，缺乏对图像分割机制反馈（如Dice系数和性能置信度）的DLM，在处理实际临床环境中无法处理以前未见的图像面临挑战。对DLM预测中需由临床医生审查的细胞或单像素级别不确定性估计可增强信任。然而，其部署需要显著的计算资源。本研究报告了两个DLM：一个从头训练，另一个基于迁移学习，采用蒙特卡罗dropout或Bayes-by-backprop不确定性估计，对来自The International Skin Imaging Collaboration-19 dermoscopy图像数据库中的癌性皮捣进行分割。首次报告了一种新方法，用于从单张脂肤图腮图像中对应多个临床区域的像素级别不确定性估计，伴随Dice分数。图像级别的不确定性图显示， imperfect DLM分割与特定皮肤组织区域（无论是否包含皮捣）的高不确定性水平相吻合。本文首次报告了四个新的线性回归模型，可预测DLM分割的Dice性能，这些模型使用来自皮捣、组织结构和非组织像素区域的常数和不确定性措施，单独或组合使用，这些区域对临床诊断和预后评估在皮肤图像中至关重要（Spearman相关系数，p<0.05），从而为低计算不确定性估计工作流程提供了解决方案。
引用
@article{arxiv.2412.20007,
title = {Uncertainty Quantified Deep Learning and Regression Analysis Framework for Image Segmentation of Skin Cancer Lesions},
author = {Elhoucine Elfatimi and Pratik Shah},
journal= {arXiv preprint arXiv:2412.20007},
year = {2024}
}
备注
Presented at the 2024 IEEE International Conference on Machine Learning and Applications (ICMLA), accepted for publication and in press by IEEE