医学成像管道中的不确定性传播和归因
该研究针对计算机辅助肺结节检测问题,介绍了一种多阶段贝叶斯卷积神经网络架构中传播和融合不确定性信息的方法,并通过实验验证了通过传播不确定性信息可以提高模型预测准确性和置信度的效果。
Dec, 2017
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
基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量,然而,深度学习技术也容易出现意外失败和结构产生幻觉,因此在临床实践中安全使用这项技术需要良好校准的不确定性量化,本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术(PHiRec),展示了我们提出的方法不仅产生高质量的重建结果,而且比几个强基准模型具有更好的校准不确定性量化;此外,我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务,并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。
Aug, 2023
本文提出一个流程,通过结合不确定性估计方法和解释方法来确定神经网络解释的不确定性,使用该流程对 CIFAR-10、FER + 和加利福尼亚房屋数据集生成解释分布,并通过计算这些分布的变异系数来评估解释的置信度,结果表明使用引导反向传播生成的解释具有较低的不确定性,并计算修改后的像素插入 / 删除指标来评估生成解释的质量。
Mar, 2024
预测不确定性估计是一个具有挑战性的问题,阻碍了深度神经网络在安全关键应用中作为子系统的使用。我们通过将不确定性传播视为非线性优化问题,采用因子图的方法,观察到在大部分实验中(包括三个数据集和两种神经网络架构),相较于以前的工作,在性能方面取得了显著的提升。我们的实现平衡了采样和分析传播技术的好处,这在实现性能提升方面起到了关键作用。
Dec, 2023
通过对神经网络的深度进行概率推理,我们能够只需一次前向传播,就能估计模型的不确定性。在真实的回归和图像分类任务中,我们验证了这一方法的效果,并证明它能提供不确定度校准、对数据集变化的鲁棒性和与计算成本更高的基线准确度相当的预测结果。
Jun, 2020
本研究使用基于贝叶斯的深度学习技术,通过对多发性硬化症患者的 MRI 图像进行数据训练,估计病人的不同治疗方案的后验分布,计算每种治疗方案和任意两种治疗方案之间的个体治疗效应(ITE)并对其不确定性进行评估,从而实现 “精准医学”,并对临床医生的决策提供指导。
May, 2023
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
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
通过神经网络传播输入不确定性时,我们提出了一种同时能够估计输入、数据和模型不确定性的方法,结果表明这种输入不确定性的传播导致更稳定的决策边界,即使在大量输入噪声的情况下也是如此。
Jun, 2024