May, 2024
Mask-TS Net: 掩膜温度缩放不确定性校准用于息肉分割
Mask-TS Net: Mask Temperature Scaling Uncertainty Calibration for Polyp Segmentation
Yudian Zhang, Chenhao Xu, Kaiye Xu, Haijiang Zhu
TL;DR在医学图像中，大多数著名的校准方法都关注分类，但在语义分割方面缺乏可比较的研究。我们发现在医学图像的息肉分割中，大多数病变区域只占整个图像的一小部分，导致先前模型对病变区域的校准不好，但对背景的校准较好，尽管其整体预期校准误差（ECE）得分似乎更好。因此，我们提出了带有 Mask-Loss 和 Mask-TS 策略的四分支校准网络，以更加关注潜在病变区域内 logits 的缩放，以减轻背景干扰的影响。实验中，我们将现有的校准方法与提出的 Mask 温度缩放（Mask-TS）进行了比较。结果表明，所提出的校准网络在定性和定量方面均优于其他方法。