朝着临床可信任的深度学习:将合拟似法应用于颅内出血检测
本文探讨了如何利用符合性预测相结合的深度学习方法,提高医学影像技术在医学决策中的透明性和可靠性,并在皮肤病例分类方面进行了实证研究,认为在患者肤色差异方面可适当改进符合性预测模型。同时,对比了其与认知不确定性的差异。
Sep, 2021
本研究开发和验证了一组深度学习算法,用于自动检测无对比剂头颅 CT 扫描的关键发现:颅内出血(ICH)及其类型,脑内实质(IPH),脑室内(IVH),硬膜下(SDH),硬脑膜外 (EDH) 和蛛网膜下 (SAH),骨盖骨折,中线移位和占位效应,AUCs 测评结果显示算法的识别准确率达到了很高的水平。
Mar, 2018
通过使用图像级别的二元分类标签,我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割,该方法通过分类网络的类激活图确定 ICH 的大致位置,并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割
Sep, 2023
本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来,以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数,可用于未来分析和比较。
Oct, 2019
本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像,通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力,进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现,更广泛的训练图像可以提高模型的泛化能力,并且未来的深度学习研究需要在多个外部队列上进行评估,以得到可靠的结果。
Nov, 2019
通过进行全面的实验和比较性能分析,我们研究了皮肤病变分类任务中三种不确定性量化方法:Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning,发现 Conformal Prediction 在各种条件下表现出的鲁棒性和一致性,使其成为安全关键应用中决策的首选。
Dec, 2023
本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架,提出了一种新的基于概率方法的模型不确定性量化方法,并提供了可靠的边界用于计算不确定度。
Jun, 2023
我们提出了一种基于可靠性的训练数据清洗方法,利用归纳性依从预测 (ICP) 计算的可靠性度量来纠正大量嘈杂的训练数据中的标签错误和异常值,验证了该方法在三个分类任务中的有效性,显示出显著的分类性能提升,无需过多精心策划的训练数据。
Sep, 2023