Nov, 2019

深度医学图像分割的置信度校准与预测不确定性估计

PDF
TL;DR本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。
fully convolutional neural networksmedical image segmentationpredictive uncertainty estimationbatch normalizationmodel ensembling
发现论文，激发创造
  • 基于改进的全卷积神经网络和分层 Dice 损失的脑肿瘤分割

    本研究采用多种流行的 FCNN 模型，在其基础上进行网络结构调整并使用分层 Dice 损失函数来提高基于 MRI 图像的脑肿瘤分割效果。经过大量实验对比，验证了新型网络和损失函数相比于传统方法在精度、召回率、mIoU 和 DSC 等性能指标上的有效性。

    Dec, 2017

  • 整体 FDG PET/CT 图像自动病变分割的广义 Dice Focal Loss 训练的 3D 残差 UNet

    使用三维残差 UNet 模型和广义 Dice Focal Loss 函数，在 AutoPET 挑战 2023 的训练数据集上训练了五个模型，并通过平均和加权平均集成方法将其组合。在初步测试阶段，平均集成模型的 Dice 相似系数（DSC）为 0.5417，假阳性体积（FPV）为 0.8261 毫升，假阴性体积（FNV）为 0.2538 毫升；而加权平均集成模型的结果分别为 0.5417、0.8186 毫升和 0.2538 毫升。

    Sep, 2023

  • 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

  • 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

  • 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

  • 面向半监督医学图像分割的一致性感知不确定性估计

    本文提出一种新的半监督医学图像分割模型 CoraNet，基于我们的不确定性估计和分离自我训练策略，通过估计不确定性来提高分割结果的一致性，与现有技术相比，我们的方法表现更优，并对其与传统不确定性估计方法进行了分析和比较。

    Oct, 2021

  • U-CE: 语义分割的不确定性感知交叉熵

    利用动态预测不确定性的像素权重加权 U-CE（Uncertainty-aware Cross-Entropy loss）训练方法在两个基准数据集上优于传统 CE（cross-entropy loss）训练方法，提高了安全关键应用中更稳健可靠的分割模型的性能和可信度。

    Jul, 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

  • 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

  • 卷积神经网络在结肠息肉语义分割中的不确定性和可解释性

    本文着重于探讨在医学图像分析领域中，基于卷积神经网络的语义分割算法的不确定性评估和模型可解释性问题，并提出了一种高效的分割算法，准确率最高可达 76.06%。

    Jul, 2018