卷积神经网络结合测试时数据增强进行医学图像分割的随机不确定性估计

Jul, 2018

卷积神经网络结合测试时数据增强进行医学图像分割的随机不确定性估计

Aleatoric uncertainty estimation with test-time augmentation for medical image segmentation with convolutional neural networks

PDF

Guotai Wang, Wenqi Li, Michael Aertsen, Jan Deprest, Sebastien Ourselin...

TL;DR本研究分析了基于深度卷积神经网络的 2D 和 3D 医学图像分割任务的不同不确定性，提出了一种基于测试时间增强的随机不确定性方法，用于分析输入图像的不同变换对分割输出的影响，并与模型不确定性相结合，对胎儿脑和脑肿瘤进行了医学图像分割实验，讨论了测试时间增强方法的优势。

Abstract

Despite the state-of-the-art performance for medical image segmentation, deep convolutional neural networks (CNNs) have rarely provided uncertainty estimations regarding their segmentation outputs, e.g., model (epistemic) and image-based (aleatoric) uncertainties. In this work, we anal

medical image segmentation deep cnns uncertainty estimation test-time augmentation mri

发现论文，激发创造

基于卷积神经网络和测试时间增强的自动脑肿瘤分割

本文介绍了使用深度卷积神经网络及数据增强和测试增强技术来提高脑肿瘤分割的准确性和不确定性估计。

Oct, 2018

医学图像分割中的不确定性类别：源相关多样性研究

本研究通过使用 BraTS 挑战数据集，研究了分别使用测试时蒙蔽和增强时蒙蔽方法测量深度学习模型输出中不确定性的差异性，结果表明两种不确定性类别在大小和空间模式上有很大的差异，并讨论了在各种应用中这些差异的影响。

Mar, 2022

利用不确定性评估预测分割质量

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018

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

多人标注的分割任务中的监督不确定性量化

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

基于不确定性的合理性检查：应用于术后脑肿瘤空洞分割

该研究使用蒙特卡罗 dropout 法计算神经网络的参数不确定性，以提高神经网络模型对图像分割的可靠性，并将此方法应用在临床数据中，表明该方法对不均质图像精准分割效果显著，同时还能发现分割中的异常结果，显示神经网络的参数不确定性能够对其进行验证。

Jun, 2018

从注册不确定性到分割不确定性

我们提出了一个新的框架，同时估计图像配准的先验和其它分割不确定性，通过最小化负对数似然损失函数，将外观不一致性转化为其它分割不确定性，并通过引入分割不确定性以及现有的估计配准不确定性方法，在图像配准的不同阶段提供了重要的可视化结果。通过使用公开可用的数据集验证了我们提出的方法，并且结果证明了所提方法估计的分割不确定性与标签传播错误之间的良好关联性，同时实现了优越的配准性能。

Mar, 2024

随机分割网络：建模空间相关的不确定性

本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

Jun, 2020

关于贝叶斯分类中的不确定性、调和和数据增强

本研究表明，显式地考虑 aleatoric uncertainty 可显著改善贝叶斯神经网络的性能，其中使用 Dirichlet observation model 可以匹配或超过 posterior tempering 的性能，无需 tempering。

Mar, 2022

深度学习图像分类中的数据与类别相关不确定性估计的测试时间混合增强方法

本文提出了一种通过测试时混合数据增强方法（TTMA）来进行深度学习图像分类不确定性估计的方法。基于混合增强方法，我们引入了 TTMA 数据不确定性（TTMA-DU）和 TTMA 类别相关不确定性（TTMA-CDU），分别可以提供更加准确的不确定性估计和深入的数据分析，通过在 ISIC-18 和 CIFAR-100 数据集上的实验验证了所提出方法的有效性。

Dec, 2022