Jan, 2024

基于可解释归因和不确定性量化的双通道可靠乳腺超声图像分类

PDF
TL;DR本研究针对乳腺超声图像的分类任务，研究了分类结果可靠性测量。我们提出了一个基于推理可靠性和预测可靠性评分的双通道评估框架。通过改进的特征归因算法 SP-RISA，优雅地应用人工对齐和医生一致的推理依据进行推理可靠性评估。使用不确定性量化通过测试时间增强来评估预测可靠性。在我们的乳腺超声临床数据集 YBUS 上验证了该可靠性评估框架的有效性，并在公共数据集 BUSI 上验证了其鲁棒性。两个数据集上的预期校准误差明显低于传统评估方法，证明我们提出的可靠性测量的有效性。
breast ultrasound imagesclassification taskreliability measurementdual-channel evaluation frameworkuncertainty quantification
发现论文，激发创造
  • 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

    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。

    Jun, 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

  • 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

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 使用深度变分聚类的专家无关超声图像质量评估

    提出了一种用于超声图像质量评估的无监督学习自编码器网络 US2QNet，在预处理、聚类和后处理三个模块的共同作用下，高效提取、聚类和可视化超声图像的质量特征表示，经过验证，该框架可以高效准确地评估尿路超声图像的质量。

    Jul, 2023

  • 用于自动评估胎儿超声视频质量的分层代理强化学习框架

    本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

    Apr, 2023

  • 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

  • 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

  • 基于可扩展的认知不确定性量化的器官分割基准测试

    本研究通过深度学习方法对自动器官分割进行了评估，比较了不同方法在准确性、不确定性校准性和可扩展性等方面的强弱点，为可靠、稳健的模型开发提供了有价值的建议。

    Aug, 2023

  • 评估医学图像分割不确定性估计的可靠性和挑战

    本文研究深度学习系统在医学图像分割方面的不确定性评估方法，发现现有不确定性评估方法在数据集水平表现良好但在个体水平出现偏差，因此需要开发个体化的评估方法。研究还发现辅助网络是一种有效的评估方法。

    Jul, 2019