评估医学图像分割不确定性估计的可靠性和挑战

Jul, 2019

评估医学图像分割不确定性估计的可靠性和挑战

Assessing Reliability and Challenges of Uncertainty Estimations for Medical Image Segmentation

Alain Jungo, Mauricio Reyes

TL;DR本文研究深度学习系统在医学图像分割方面的不确定性评估方法，发现现有不确定性评估方法在数据集水平表现良好但在个体水平出现偏差，因此需要开发个体化的评估方法。研究还发现辅助网络是一种有效的评估方法。

Abstract

Despite the recent improvements in overall accuracy, deep learning systems still exhibit low levels of robustness. Detecting possible failures is critical for a successful clinical integration of these systems, where each data point corresponds to an individual patient. Uncertainty mea

deep learning failure detection uncertainty estimation medical image segmentation subject-wise uncertainty

发现论文，激发创造

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

基于可扩展的认知不确定性量化的器官分割基准测试

本研究通过深度学习方法对自动器官分割进行了评估，比较了不同方法在准确性、不确定性校准性和可扩展性等方面的强弱点，为可靠、稳健的模型开发提供了有价值的建议。

Aug, 2023

探索深度网络中的不确定性度量以用于多发性硬化症病变检测和分割

研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

Aug, 2018

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

评估在分布偏移下的三维图像分割的不确定性估计方法

通过比较贝叶斯和非贝叶斯方法，本研究探讨了在医疗图像识别任务中使用先进的不确定性估计方法的可行性，旨在实现可靠和可信赖的诊断预测，结果表明处理后验分布中多峰特性的方法提供了更可靠的不确定性估计。这项研究有助于提升深度学习在医疗保健领域的实用性，使诊断预测更加健壮和可靠。

Feb, 2024

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

医学图像分割中故障检测方法的比较基准：揭示置信度聚合的作用

本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架，通过分析我们确定了当前失败检测度量的优点和局限性，并推崇风险覆盖分析作为一种整体评估方法，通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性，我们发现像素置信度聚合的重要性，并且观察到在医学图像分割中，集合预测之间的成对 Dice 分数（Roy 等人，2019）表现优秀，将其定位为简单而稳健的失败检测基准。为了促进持续的研究，我们将基准框架提供给社区使用。

Jun, 2024

QUBIQ：生物医学图像分割挑战中的不确定性量化

医学图像分割中的不确定性，尤其是来自不同专家的解释和注释差异所导致的评分者之间的变异性，对于实现一致可靠的图像分割存在重大挑战。本文总结了 Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ) 的基准结果，重点关注医学图像分割中评分者变异性的不确定性量化，并考虑了图像数据集中普遍存在的这种不确定性。结果表明整合模型的重要性以及发展高效的三维不确定性量化方法的进一步研究的需求。

Mar, 2024

通过像素级不确定性估计实现通用性医学图像分割

本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

May, 2023

关于主动学习图像分割中的不确定度估计

本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

Jul, 2020