关于主动学习图像分割中的不确定度估计
通过利用全局信息来估计分割不确定性的一种新方法,该方法首先学习了一个解剖感知的表示,然后将新分割的预测映射为一个解剖上可信的分割,借助于与可信分割的偏差,估计底层像素级不确定性以进一步指导分割网络,该方法仅使用一次推断从我们的表示中估计不确定性,从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性,以两个常用的评估指标衡量。
Oct, 2023
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
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
我们提出了一种后期主动学习算法,该算法将基于不确定性的采样与基于多样性的采样相结合,不仅简单易实现,而且在各种数据集上都具有出色的表现,其实际应用在实际的高空图像数据集中增加了五倍的标注效率。
Sep, 2023
在真实应用中经常遇到标签模糊的数据,其中不同的标注者会给出冲突的类别标签。部分标签学习允许在这种弱监督的环境下训练分类器。虽然最先进的方法已经具有良好的预测性能,但它们经常受到错误校准的不确定性估计的影响。然而,拥有良好校准的不确定性估计在医学和自动驾驶等关键领域中尤为重要。本文中,我们提出了一种基于邻近 - 邻居的部分标签学习算法,利用了 Dempster-Shafer 理论。对人工和真实数据集的大量实验证明,所提出的方法提供了良好校准的不确定性估计,并取得了有竞争力的预测性能。此外,我们证明了我们的算法是风险一致的。
Feb, 2024
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。
Jul, 2019
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
本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据,实现了最少数据量达到与全数据集训练相同水平的性能。
Feb, 2023