基于信念函数理论和深度学习的医学图像分割
基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架,在考虑了每个单模态图像在分割不同对象时的可靠性的情况下,通过背景折扣操作对每个模态的证据进行合并,从而达到最终决策。与现有方法相比,实验结果表明我们的方法在准确性和可靠性方面表现优异。
Sep, 2023
通过在混合和原始样本的跨区域整合证据预测结果,重分配每个体素的置信度和不确定度度量,结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明,我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。
Apr, 2024
该论文介绍了一种基于随机集合解释置信度函数的认知深度学习概念,提出了一种新的随机集合卷积神经网络用于分类,并通过实验表明该认知方法在估计不确定性方面比传统方法具有更好的性能。
Jun, 2022
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
本研究提出了 Evidential Prototype Learning (EPL) 方法,利用扩展的概率框架有效融合来自不同来源的体素概率预测,并在广义证据框架下实现标记和未标记数据的样本融合利用,利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验,以三种不同标记比率实现了最先进的性能,充分证明了我们的策略的有效性。
Apr, 2024
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
通过将证据理论引入半监督医学图像分割,以在单次前向传递中推理准确的不确定性量化为目的,提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式,通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明,EVIL 在公共数据集上与几种最先进的方法相比取得了竞争性的性能。
Jul, 2023
在放射治疗剂量预测领域,我们应用了一种名为深度证据学习的不确定性量化框架,通过使用 Open Knowledge-Based Planning Challenge 数据集的医学影像,我们发现该模型可以有效地产生与预测误差相关的不确定性估计,在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明,深度证据学习相对于 Monte-Carlo Dropout 和 Deep Ensemble 方法,能够更线性地根据不确定性阈值变化的中位误差,与模型误差均匀校准的敏感性。同时,我们发现对于加入高斯噪声的 CT 强度,与表征数据噪声的 aleatoric 不确定性表现出更显著的分布变化。总的来说,我们的研究结果表明深度证据学习是一种有前景的方法,可以为放射治疗剂量预测的深度学习模型提供统计稳健性,我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。
Apr, 2024
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018