U2-Net: 基于贝叶斯 U-Net 模型的迭代不确定性反馈用于病理性 OCT 扫描中的光感受器层分割

Jan, 2019

U2-Net: 基于贝叶斯 U-Net 模型的迭代不确定性反馈用于病理性 OCT 扫描中的光感受器层分割

U2-Net: A Bayesian U-Net model with epistemic uncertainty feedback for photoreceptor layer segmentation in pathological OCT scans

PDF

José Ignacio Orlando, Philipp Seeböck, Hrvoje Bogunović, Sophie Klimscha, Christoph Grechenig...

TL;DR本文介绍了一种基于 Bayesian 深度学习的模型，用于对病理性 OCT 扫描中的光感受层进行分割，该架构提供了准确的光感受层分割结果，并生成显示可能的病理或分割错误区域的像素级别知识不确定性图。我们在两组与视网膜黄斑病变、视网膜静脉阻塞和糖尿病性黄斑水肿相关的病理性 OCT 扫描中进行了经验性评估，该方法在 Dice 指数和精度 / 召回曲线下的区域下，提高了基线 U-Net 的性能。我们还观察到不确定性估计与模型性能成反比，突显了其用于强调可能需要进行手动检查 / 修正的区域的效用。

Abstract

In this paper, we introduce a bayesian deep learning based model for segmenting the photoreceptor layer in pathological oct scans. Our architecture provides accurate segmentations of the photoreceptor layer and p

bayesian deep learning photoreceptor layer segmentation oct scans epistemic uncertainty pathological detection

发现论文，激发创造

基于贝叶斯深度学习的光学相干层析成像视网膜层联合分割和不确定性可视化

该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，其不仅可以进行视网膜层的端对端分割，而且还可以提供像素级的不确定性度量。通过生成的不确定性地图，可以识别出错误分割的图像区域，从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能，并且更加稳健抗噪声。

Sep, 2018

基于不确定性引导的 OCT 图像视网膜层半监督分割

本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法，改进了医学图像分割任务中，由于标记数据缺乏导致的训练深度学习方法所存在的问题，同时在视网膜层分割任务中表现出良好的性能。

Mar, 2021

利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

May, 2019

ReLayNet：使用完全卷积网络对黄斑区光学相干断层扫描的视网膜层和液体分割

本文提出了一种新的完全卷积深度学习结构，称为 ReLayNet，用于视网膜层和液态物质在眼科 OCT 扫描中的端到端分割，通过联合损失函数验证其有效性，并与五种最先进的分割方法进行比较。

Apr, 2017

Optic-Net：一种新型卷积神经网络用于诊断光学断层扫描图像中的视网膜疾病

本研究提出一种卷积神经网络架构，能够成功区分不同视网膜层的退化以及其潜在的疾病原因，准确率达到 99.8%，100%。此外，这种架构可以实时预测视网膜疾病，同时表现优于人类诊断医师。

Oct, 2019

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

医学图像分割网络的层次化不确定性估计

建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

Aug, 2023

高效的贝叶斯不确定性估计方法，用于 nnU-Net

本文提出了一种新方法，通过后验采样的贝叶斯不确定性估计为 nnU-Net 的医学图像分割提供可靠性度量，同时通过较多的后验模型优化分割性能。在 ACDC 和 M&M 心脏 MRI 数据集上的实证表明，该方法比 Monte Carlo Dropout 和平均场贝叶斯神经网络在不确定性估计上表现得更好，同时不影响 NNu-Net 架构的性能。

Dec, 2022

评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

光学相干断层扫描图像中 Drusen 分割的认识和偶然不确定性分析

本研究通过开发基于 U-Net 的 drusen 分割模型和量化分割不确定性，探究了利用不确定性进行精确定位的可行性并分析了分割准确度与不确定性之间的相关性，从而证明了在医学图像分析中利用不确定性来开发和解释分割模型的有效性。

Jan, 2021