Jun, 2024

医学图像分割中故障检测方法的比较基准：揭示置信度聚合的作用

PDF
TL;DR本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架，通过分析我们确定了当前失败检测度量的优点和局限性，并推崇风险覆盖分析作为一种整体评估方法，通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性，我们发现像素置信度聚合的重要性，并且观察到在医学图像分割中，集合预测之间的成对 Dice 分数（Roy 等人，2019）表现优秀，将其定位为简单而稳健的失败检测基准。为了促进持续的研究，我们将基准框架提供给社区使用。
semantic segmentationfailure detectionbenchmarking frameworkmedical image analysispixel confidence aggregation
发现论文，激发创造
  • 医学图像分类中的故障检测：现实检验和基准测试

    本文研究了自动图像分类中的故障检测，通过对 6 个医学影像数据集的测试发现，现有的置信度评分方法无法准确检测分类模型的测试失败，建议今后加强研究，提高故障检测的准确性。

    May, 2022

  • 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

  • 信任语义分割网络

    该研究通过对不同模型进行实验，探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况，以分析语义分割中的失败案例和预测准确性的问题。

    Jun, 2024

  • 综合比对：用于语义分割的故障与异常检测

    本文提出了一个统一框架用于语义分割的失效和异常检测，该框架由两个模块组成，一个是图像合成模块，另一个是比较模块，在三个数据集上进行验证并大幅提升现有方法的状态，例如在 Cityscapes 上的 6％AUPR-Error，在 MSD 中胰腺肿瘤分割的 7％Pearson 相关性，在 StreetHazards 异常分割方面 20％AUPR。

    Mar, 2020

  • 通过像素级不确定性估计实现通用性医学图像分割

    本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

    May, 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

  • Fishyscapes 基准测试：测量语义分割中的盲点

    该研究通过构建公共基准（Fishyscapes）来评估基于深度学习的语义分割模型的不确定性估计，属于自动驾驶的安全关键技术之一，发现现有算法在实际场景下的异常难以检测，着重提出了基于像素级别的异常目标检测方法，并比较了多种不同的算法解决方案。

    Apr, 2019

  • 一份用于分割算法开发和评估的大型注释医学图像数据集

    本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在 2018 年举行的一个众包挑战中被使用的数据集。

    Feb, 2019

  • 医学图像分割的多模态评估方法

    本研究探讨了在医学图像分割中应用机器学习加速分割的过程中，评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础，量化并优化不同分割方法的表现效果。

    Feb, 2023

  • 医学图像分割的可信深度学习

    该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

    May, 2023