基于区域的证据深度学习来量化不确定性并提高脑瘤细分的稳定性

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用
• 计算神经科学是一种神经科学.

背景情况:

• 脑瘤细分的准确性受到可靠性和强度问题的限制.
• 现有的不确定性估计方法在计算上昂贵且不一致.
• 有证据的深度学习 (EDL) 是有前途的,但在细分任务中表现不佳.

研究的目的:

• 为可靠的脑瘤细分和不确定性估计开发基于区域的EDL细分框架.
• 在计算成本和一致性方面解决现有的不确定性估计技术的局限性.
• 为了提高细分的稳定性,防止噪音和图像损坏.

主要方法:

• 提出了一个基于地区的证据深度学习 (EDL) 分段框架.
• 使用证据理论将神经网络输出解释为证据值.
• 参数化证据作为一个遵循主观逻辑的迪里克莱特分布,将预测的概率视为主观意见.

主要成果:

• 提出的方法产生了可靠的不确定性图和准确的脑瘤细分结果.
• 对噪音和图像腐败的证明强度.
• 在BRATS 2020数据集上,在量化细分不确定性和强大的细分方面取得了最佳表现.

结论:

• 基于区域的EDL框架提供了一个低计算成本和易于实施的解决方案,用于可靠的脑瘤细分和不确定性量化.
• 该方法显示了在神经瘤学中临床应用的巨大潜力.
• 这种方法提高了对细分结果的信心,解决了当前神经成像分析的关键局限性.