计算机视觉领域中,语义分割是机器学习中的一个基础应用,其中图像的每个像素被分类为不同的语义类别,并通过不确定性量化来评估每个分割预测的可靠性。本研究针对基于熵的图像分割任务中的不确定性进行专门评估的度量标准 PAvPU (Patch Accuracy versus Patch Uncertainty) 存在的三个核心问题进行了调查,并提出了旨在改进该度量标准的强大解决方案。通过解决这些问题,我们旨在提高不确定性量化的可靠性和适用性,尤其在需要高水平安全性和准确性的场景中,为关键应用中的语义分割方法的进步做出贡献。
Mar, 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
本文提出了一种基于感知一致性的视频语义分割方法,既可以捕捉时序一致性,又可以捕捉像素级的正确性。利用感知一致性方法对视频中连续帧的分割图进行一致性度量,可以更准确地评估视频分割的时序一致性,并且可以通过将感知一致性与分割置信度相结合,更有信心地预测未标记测试帧上的分割准确性。此外,所提出的方法还可以作为模型训练的一种正则化约束,以实现更加时序一致的视频分割同时保持准确度。
Oct, 2021
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
我们提出了一种后续处理、计算轻量级的方法来量化语义图像分割的预测不确定性。我们的方法使用合拢预测生成统计上有效的预测集,以预定义的置信水平保证包含地面真实分割掩模。我们介绍了一种基于热图的合拢化预测的新型可视化技术,并提供了评估其实证有效性的度量标准。我们在著名的基准数据集和图像分割预测模型上展示了我们方法的有效性,并提供了实用的见解。
Apr, 2024
通过深度学习和基于多集合的方法对图像进行分割,深度学习方法展示了其优势,并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。
Jul, 2023
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。
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