Apr, 2024

通过进化策略在 MRI 中检测脉络膜转移的不确定性量化

PDF
TL;DR在这项研究中，我们采用 DNE 方法训练了一个简单的卷积神经网络 (CNN)，用于眼部 MRI 图像的二分类，目的是区分正常眼睛和转移性肿瘤 (称为脉络膜转移)。通过应用这些模型到测试集，我们建立了一种用于不确定性量化的集成方法，发现主观特征能解释不确定性较高的图像，凸显了不确定性量化在基于 AI 的放射学分析中的重要性。
uncertainty quantificationai in radiologysmall data aideep neuroevolutionensemble method
发现论文，激发创造
  • 有限、异构数据的深度神经进化：运用小型虚拟池化图像集的神经母细胞瘤脑转移概念证明应用

    本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

    Nov, 2022

  • 可靠的临床 AI 解决方案：深度学习模型中的不确定性量化在医学图像分析中的统一综述

    该综述回顾了现有的用于量化深度学习模型预测不确定性的方法，并着重关注了医学图像分析中特有的挑战、评估方案以及不确定性量化在医疗领域中的开放性挑战。

    Oct, 2022

  • 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

  • 计算机辅助诊断中的不确定性量化：让你的模型对模糊病例说 “不知道

    对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

    Aug, 2019

  • 探索深度网络中的不确定性度量以用于多发性硬化症病变检测和分割

    研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

    Aug, 2018

  • 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

  • 深度神经进化在脑转移疾病的病情进程评估中的直接应用

    本研究通过深度神经进化 (DNE) 技术，实现对转移性脑疾病进行智能分类，旨在为肿瘤的进展或缩小提供全面且自动化的评估方式。研究结果表明，该方法在小型训练集下取得了较高精度。

    Mar, 2022

  • 对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力

    利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。

    Sep, 2023

  • 深度图像合成神经网络预测不确定性的视觉分析

    利用不同方法高效估计深度神经网络的预测不确定性和敏感性，并将其互动比较和对比，以应对可靠的不确定性感知模型在深度图像合成任务中产生信息丰富且质量多样的插图，进一步提高深度可视化模型的稳健性和可解释性，使其在以视觉分析为基础的各个科学领域得以实际应用和方便使用。

    May, 2024

  • 深度学习在新型冠状病毒（COVID-19）检测中的可解释性与不确定性估计

    探讨利用基于放弃权重的贝叶斯卷积神经网络 (BCNN) 估计深度学习解决方案的不确定性来提高人机团队的诊断性能，提高临床实验使用人工智能（AI）的效果。

    Mar, 2020