值得信赖的医疗图像细分,改善了分发样本的性能

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 模型在医疗图像分割 (MIS) 中实现了高性能,但遭受了不透明的预测.
• 错误的分布式 (ID) 和分布式 (OOD) 样本导致对医疗应用的不信任和潜在危害.
• 现有的方法专注于OOD检测,但MIS中的ID样本的可靠性仍然是一个重大挑战.

研究的目的:

• 提出一种新的方法,TrustMIS (可信医疗图像细分),以提高基于DL的MIS模型对ID样本的可信度和性能.
• 解决医疗图像分析中对可靠预测的关键需求.
• 为MIS模型提供可信度的量化衡量.

主要方法:

• TrustMIS采用三重方法:调查可靠性 (IT),改善不可靠的预测 (INT) 和分类器切换操作 (CSO).
• 信息技术方法分析输入特征和一致性,以评估可靠性.
• INT方法通过利用输入转换 (例如旋转) 来完善细分,CSO选择最值得信赖的模型预测.

主要成果:

• TrustMIS成功地为基于DL的MIS模型提供了可信度衡量标准.
• 该方法在使用公开可用的数据集的最先进的MIS模型上显示了更好的性能.
• 实验结果显示,TrustMIS在提高可信度和细分精度方面优于现有方法.

结论:

• TrustMIS提供了一个强大的解决方案,用于提高医疗图像分割中的深度学习模型的可靠性.
• 拟议的方法提高了分布样本预测的可靠性,这是临床采用的关键步骤.
• 实施的可用性有助于进一步研究和应用可靠的AI在医学成像中.