对肝脏细分的不确定性估计和分解方法的比较评估.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 对于医疗决策支持等高风险应用需要可靠的不确定性估计.
• 在DNN中的预测不确定性可以分解成 aleatoric (数据) 和 epistemic (模型) 组件.

研究的目的:

• 系统地审查和比较在贝叶斯神经网络 (BNN) 中分解预测不确定性的方法.
• 为了评估相互信息分解与明确的建模使用损失减轻神经元的不确定性分解.

主要方法:

• 在CT扫描中对肝脏细分进行的实验.
• 不确定性地图的定性评估和分解不确定性的定量比较.
• 跨不同训练集大小,标签噪音和分发轮班的分析.

主要成果:

• 相互信息分解有力地产生了有意义的 aleatoric 和 epistemic 不确定性估计.
• 减轻损失的神经元表现出更的融合,并没有显著改善细分或校准.
• 异种神经元在不确定性质上显示了边际的好处,但没有显著的性能增长.

结论:

• 相互信息分解是一种简单,数学上合理的方法,用于获得可靠的不确定性估计.
• 用减损神经元扩展BNN并没有显著改善细分性能或对此任务的校准.
• 这项研究强调了相互信息分解在医学成像AI中的不确定性量化方面的有效性.