能否利用输入重建直接估计回归U-Net模型的不确定性？-- 应用于头颈癌患者的质子治疗剂量预测

Oct, 2023

能否利用输入重建直接估计回归U-Net模型的不确定性？-- 应用于头颈癌患者的质子治疗剂量预测

Can input reconstruction be used to directly estimate uncertainty of a regression U-Net model? -- Application to proton therapy dose prediction for head and neck cancer patients

HTML

PDF

Margerie Huet-Dastarac, Dan Nguyen, Steve Jiang, John Lee, Ana Barragan Montero

TL;DR我们提出了一种新的直接不确定性估计方法，并将其应用于回归U-Net架构，该方法通过在瓶颈处添加重构输入的分支来估计模型的不确定性，并在头颈部癌症患者的质子疗法剂量预测中进行了验证，与常用方法MCDO和DE相比，我们的方法表现出更高的预测误差相关系数(0.620)，同时更容易识别OOD (34.05的Z分数)，且在回归任务中同时估计不确定性，因此需要更少的时间或计算资源。

Abstract

Estimating the uncertainty of deep learning models in a reliable and efficient way has remained an open problem, where many different solutions have been proposed in the literature. Most common methods are based on Bayesian approximations, like Monte Carlo dropout (MCDO) or Deep ensemb

发现论文，激发创造

基于卷积神经网络的贝叶斯图像质量转换：探索扩散磁共振成像超分辨率模糊度

本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散MR脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

May, 2017

无标签数据改善协变量偏移下的贝叶斯不确定性校准

本研究提出了一种基于后验正则化的近似贝叶斯推断方案，可以用未标记的目标数据作为模型置信度的“伪标签”，这些伪标签被用于调整标记源数据上的损失，显著提高了协变量移位数据集的不确定性量化准确性，适用于转移前瞻性前列腺癌模型在全球范围内的应用。

Jun, 2020

贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

Aug, 2020

利用不确定性感知因果模型提高基于图像的精准医疗

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

利用深度后验采样估计PET图像重建的不确定性

本文提出了一种基于深度学习的方法，通过后验抽样在PET图像重建中进行不确定性量化。该方法基于条件生成对抗网络，其生成器近似于采样自贝叶斯反演中的后验。该文表明，所提出的模型生成高质量的后验样本，并产生具有物理意义的不确定性估计。

Jun, 2023

噪声探索剂促进贝壳束扫描质子治疗的剂量预测：物理增强了可推广性

我们设计了一种基于人工智能的噪声探测剂量方法用于前列腺和肺癌患者的质子治疗剂量预测，该方法在物理学方面进行了改进，提高了处理异常临床案例的预测通用性。

Dec, 2023

NPB-REC：一种非参数贝叶斯深度学习方法用于不完全采样磁共振重构及不确定性估计

通过非参数全贝叶斯框架NPB-REC，可以从欠采样数据中重建MRI图像，并对重建图像的不确定性进行估计。此方法改进了重建图像的质量，并提供了更好的与重建误差相关的不确定性度量，对MRI重建的深度学习方法的安全应用具有潜力。

Apr, 2024

深度证据学习的剂量预测

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

提升深度贝叶斯医学图像分割中的不确定性-错误对应关系

本研究旨在解决自动化医疗图像分割中，由于检测错误而增加的质控工作量。通过利用准确性与不确定性（AvU）损失函数训练FlipOut模型，研究提出了一种新方法，使贝叶斯不确定性仅在不准确区域存在，从而有效减少了准确体素的误报。实验证明，该方法在降低准确区域不确定性的同时，保持了不准确区域的不确定性水平。

Sep, 2024

将认识不确定性估计整合到放射治疗工作流程中

本研究解决了放射治疗计划中靶区和风险器官轮廓描绘精度不足的问题，尤其是在分布外（OOD）场景下模型的可靠性。我们提出了一种将认识不确定性估计整合到OAR轮廓描绘工作流中的新方法，通过一种先进的统计方法增强OOD检测能力。实证结果表明，该方法在OOD检测中的AUC-ROC达到0.95，具有良好的临床应用潜力。

Sep, 2024