Mar, 2024
基于哈密尔顿蒙特卡洛的贝叶斯不确定性估计: 应用于心脏MRI分割
Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications
to Cardiac MRI Segmentation
TL;DR基于深度学习的医学图像分割在许多任务上达到了最先进的性能。然而，最近的研究表明深度神经网络可能会出现错误校准和过度自信的问题，从而导致临床应用中的潜在失败。贝叶斯统计提供了一种直观的方法来检测深度学习的失败，基于后验概率估计。然而，对于大规模医学图像分割深度神经网络来说，贝叶斯深度学习和后验估计都是难以处理的。为了解决这个挑战，我们提出了一种基于哈密尔顿蒙特卡洛法和冷后验的贝叶斯学习框架，用于医学数据增强，命名为HMC-CP。通过循环退火策略，我们进一步提出了HMC计算方法，捕捉后验分布的局部和全局几何特征，以与训练单个深度神经网络相同的计算预算要求高效地进行贝叶斯深度神经网络的训练。所得到的贝叶斯深度神经网络输出一组分割结果以及分割的不确定性。我们在心脏磁共振图像分割领域广泛评估了所提出的HMC-CP方法，使用了域内稳态自由进动序列（SSFP cine）图像以及域外的量化$T_1$和$T_2$映射数据集。