应用于肺结节检测的多级贝叶斯卷积神经网络中的不确定性传播

NIPSDec, 2017

应用于肺结节检测的多级贝叶斯卷积神经网络中的不确定性传播

Propagating Uncertainty in Multi-Stage Bayesian Convolutional Neural Networks with Application to Pulmonary Nodule Detection

PDF

Onur Ozdemir, Benjamin Woodward, Andrew A. Berlin

TL;DR该研究针对计算机辅助肺结节检测问题，介绍了一种多阶段贝叶斯卷积神经网络架构中传播和融合不确定性信息的方法，并通过实验验证了通过传播不确定性信息可以提高模型预测准确性和置信度的效果。

Abstract

Motivated by the problem of computer-aided detection (CAD) of pulmonary nodules, we introduce methods to propagate and fuse uncertainty information in a multi-stage bayesian convolutional neural network (CNN) arc

computer-aided detection pulmonary nodules bayesian convolutional neural network model uncertainty multi-stage deep learning architecture

发现论文，激发创造

医学成像管道中的不确定性传播和归因

通过级联深度学习模型在医学影像流水线中传播不确定性，我们提出了一种建立可解释的神经网络的不确定性估计方法，并展示了其在重建脑和膝盖磁共振图像以及预测定量信息方面的效用。

Sep, 2023

基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化

本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

Jan, 2018

批量归一化单图超分辨率网络的快速贝叶斯不确定性估计与降低

采用贝叶斯方法为图像超分辨率模型估算输出的不确定性，并利用批标准化层的不确定性估算技术生成 Monte-Carlo 样本，提出一种更快的生成样本的方法，以及降低输入图像的模型不确定性的方法和抵御对抗性攻击的方法以提高模型的性能。

Mar, 2019

基于卷积神经网络的贝叶斯图像质量转换：探索扩散磁共振成像超分辨率模糊度

本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散 MR 脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

May, 2017

贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

Aug, 2020

Bayesian SegNet：用于场景理解的深度卷积编码器 - 解码器结构的模型不确定性

提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

Nov, 2015

通过贝叶斯学习深度神经网络结构来度量不确定性

这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

Nov, 2019

计算机辅助诊断中的不确定性量化：让你的模型对模糊病例说 “不知道

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

边缘增强的贝叶斯图卷积网络在谣言检测中的传播不确定性研究

本文针对社交媒体上谣言检测的不确定性问题，首次提出了通过 Edge-enhanced Bayesian Graph Convolutional Network (EBGCN) 探索传播不确定性以提高谣言检测性能，并采用新的边一致性训练框架优化模型的方法。在三个公共基准数据集上进行实验证明，所提出的模型在谣言检测和早期谣言检测任务上均表现优于基准方法。

Jul, 2021

基于概率的深度学习实例分割

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020