May, 2023

全三维医学数据中基于概率的三维分割及其不确定性量化

PDF
TL;DR该研究通过引入 Normalizing Flows 技术，提出了一种基于 3D volumes 的概率分割框架，并在 CT 数据上进行了评估，结果表明该方法可以更准确地捕捉到 3D 空间信息的不确定性，同时以直观的方式提供了不确定性信息，有助于医生做出更明智的决策。
发现论文，激发创造
  • 使用归一化流提高多注释医学图像分割中的不确定性度量

    使用正则化流 (NFs) 的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。

    Aug, 2021

  • 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

  • 基于归一化流的医学图像分割不确定性量化

    提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。

    Jun, 2020

  • 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

  • 医学影像中确定性不确定性量化的潜密度分割模型的研究与改进

    通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

    Jul, 2023

  • 解剖学感知的半监督图像分割的不确定性

    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

  • 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

  • 互信息校准的边缘环境不确定性感知多模态三维物体检测

    通过将协同推断原理与信息理论测量相集成，我们的研究在多模态框架内实现了轻量级、无蒙特卡罗的不确定性估计，并通过多元高斯变分自动编码器的潜变量的乘积来融合 RGB 摄像机和 LiDAR 传感器数据的特征以提高预测准确性。通过基于加权损失函数的 CI 得出的不确定性边界的标准化互信息被用作调制器。我们的仿真结果表明，在模型训练期间，内在的预测不确定性与 NMI 呈负相关。该框架在 KITTI 3D 物体检测基准上展示了与不具备不确定性感知能力的相似方法相媲美甚至更好的性能，适用于边缘实时机器人技术。

    Sep, 2023

  • 基于不确定性的合理性检查：应用于术后脑肿瘤空洞分割

    该研究使用蒙特卡罗 dropout 法计算神经网络的参数不确定性，以提高神经网络模型对图像分割的可靠性，并将此方法应用在临床数据中，表明该方法对不均质图像精准分割效果显著，同时还能发现分割中的异常结果，显示神经网络的参数不确定性能够对其进行验证。

    Jun, 2018

  • 三维解剖分割中切片传播不确定性的估计与分析

    监督方法和自监督方法在 3D 解剖分割中表现出卓越的性能，但受到标注数据的限制。为了解决这个问题，本研究提出将经过校准的不确定性量化集成到切片传播方法中，提供模型预测可靠性和置信水平的见解，从而提高自监督方法的实用性和精确性。

    Mar, 2024