提升深度贝叶斯医学图像分割中的不确定性-错误对应关系
原文中文,约200字,阅读约需1分钟。发表于: 。本研究旨在解决自动化医疗图像分割中,由于检测错误而增加的质控工作量。通过利用准确性与不确定性(AvU)损失函数训练FlipOut模型,研究提出了一种新方法,使贝叶斯不确定性仅在不准确区域存在,从而有效减少了准确体素的误报。实验证明,该方法在降低准确区域不确定性的同时,保持了不准确区域的不确定性水平。
本研究提出了一种基于专家分歧引导的不确定性估计方法(EDUE),用于医学图像分割。方法通过利用多个评分者对地面事实标注的变异性,在训练过程中引导模型,并结合基于随机抽样的策略来增强校准置信度。结果显示,该方法在图像和像素级别上相较于专家分歧,平均相关性分别提高了55%和23%,具有更好的校准性能。此外,与最先进的深度集合相比,在只需进行单次前向传递的情况下,该方法具有竞争性的分割性能。