Jun, 2023

基于特定于评分者的贝叶斯神经网络来量化医学图像分割中评定员不确定性

PDF
TL;DR该研究旨在探索和分析医学成像中多位专家对同一图像进行解释和注释的情况下分割结果的可变性，引入了一种新颖的基于贝叶斯神经网络的架构来评估医学图像分割的标记者之间的不确定性，并使用一种包含关注模块的一编码器多解码器架构，该方法在七个不同的任务中超过了现有的基准方法，并提供了代码、模型和新数据集。
automated medical image segmentationinter-rater uncertaintybayesian neural networkone-encoder-multi-decoder architectureattention module
发现论文，激发创造
  • 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

  • 基于不确定性的 MRI 分割的人工智能

    通过结合贝叶斯神经网络和注意机制，我们提出了一种不确定性感知的 MRI 数据分割模型 BA U-Net，用于高精度且可解释的病理自动筛查的关键首步，我们在公开可用的 BraTS 2020 数据集上使用 F1 分数和交并比（IoU）作为评价指标进行了模型评估。

    Nov, 2023

  • 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

  • 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

  • 变分推断量化解剖结构分割中的观察者差异

    通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

    Jan, 2022

  • 多评者提示在模糊医学图像分割中的应用

    针对医学图像分割中多评分者注释（即模棱两可的医学图像分割）中的两个挑战，本文提出了一种基于多评分者提示的方法，通过引入一系列评分者感知的提示来处理多注释情况，并采用混合训练策略来整合专家共识和不一致。通过实验验证了我们的新方法在两个公共数据集上对模棱两可的医学图像分割的有效性，并减轻了模型重新训练的沉重负担。

    Apr, 2024

  • 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

  • 多样化且个性化的多评测者医学图像分割

    通过深度学习在医学图像分割中解决多评价人医学图像标注模糊边界、不同专家间观察者技能和偏好等固有数据不确定性带来的注释不确定性问题。提出了名为 D-Persona 的两阶段框架，通过训练概率性 U-Net 模型和设计多个基于注意力的投影头实现在共享潜空间中获得多样化和个性化结果，实验结果表明 D-Persona 在多评价人医学图像分割上取得了新的 SOTA 性能。

    Mar, 2024

  • 评级人的可变性与基于深度学习的脊旁肌分割的固有不确定性和认识不确定性的关系研究

    通过使用测试时数据增强、测试时 dropout 和深度集成等方法衡量不同评分者之间的不一致性对模型的不确定性的影响，并比较了 UNet 和 TransUNet 在标签融合策略和深度学习模型不确定性上的差异，以多类椎旁肌分割为案例研究，揭示了评分者不一致性与不确定性之间的相互作用。

    Aug, 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