高效的贝叶斯不确定性估计方法,用于 nnU-Net
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
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
本研究提出了一种替代贝叶斯 NN 的简单实现方法,其能够产生高质量的预测不确定性估计,并在分类和回归数据集上进行了实验以证明这一点。此外,研究还评估了在已知和未知数据分布下的预测不确定性,并证明该方法能够在超出分布的样本上表现出更高的不确定性,同时在 ImageNet 上证明了该方法的可扩展性。
Dec, 2016
本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架,用于医学影像分割任务,其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。
Sep, 2018
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
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
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
这篇论文提出了一种新的采样免费的不确定性估计方法,称为 CertainNet,旨在为自主驾驶对象检测中的物体性,类别,位置和大小提供分离的不确定性,该方法使用了一个不确定性感知的热图,并利用检测器提供的相邻边界框,同时也提出了一种评估位置和大小不确定性的新指标。
Oct, 2021
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
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