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
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
本文探讨了在数据驱动主动学习框架下,针对医学图像分割任务进行不确定性校准的方法,研究了不同的不确定性估计方法和采集策略,并证明选定区域标注可以显著减少需要人工标注的像素数量。
Jul, 2020
通过引入超声波图像不确定性,并将其作为额外信息提供给神经网络,本研究改善了深度学习的超声波断层分割解决方案,提高了 Dice 分数,改善了 Hausdorff 和平均表面距离,并减少了孤立像素预测的数量。
Aug, 2023
本文提出了一种基于层次概率模型和变分自编码器框架的新方法,用于建模给定输入图像的分割的条件概率分布,可以有效地解决解剖结构和病理分割中的歧义性问题,同时可以生成比以前的方法更真实和多样化的分割样本。
Jun, 2019
本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法,改进了医学图像分割任务中,由于标记数据缺乏导致的训练深度学习方法所存在的问题,同时在视网膜层分割任务中表现出良好的性能。
Mar, 2021
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
为解决深度学习算法在临床应用中缺乏透明度的问题,研究提出了一种基于不确定性引导标注的框架,通过量化不确定性和开放临床人员指导,实现自动质量控制,提高算法性能。
Feb, 2024
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。
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