了解深度神经网络的校准,用于医学图像分类

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度神经网络 (DNN) 的高精度是不够的;精确校准的预测对于医学成像的解释性和信任至关重要.
• 模型校准对于可靠的医学诊断至关重要,尽管对DNN精度进行了广泛的研究,但仍未得到充分探索.
• 来自DNN的信任分数为模型确定性提供了洞察力,有助于识别关键情况并建立用户信任.

研究的目的:

• 在医学图像分析中的不同培训方案中实证研究模型性能和校准.
• 探索完全监督培训与基于轮换的自我监督学习 (带有和没有转移学习) 对模型校准的影响.
• 识别影响模型校准的因素,如重量分布和学习表示.

主要方法:

• 一项全面的实证研究,比较完全监督的培训与基于轮换的自我监督的方法.
• 利用多样化的医学成像数据集和不同的神经网络架构.
• 采用多个校准指标来彻底评估模型校准和性能.

主要成果:

• 诸如重量分布和表示相似度等因素与模型校准相关.
• 基于旋转的自我监督预训会导致显著更好的模型校准.
• 自主监督模型在数据集中实现了与完全监督模型相比或优于完全监督模型的性能.

结论:

• 在医疗图像分析中,模型校准对于可靠的预测至关重要.
• 自主监督学习方法提高了医疗成像中的深度学习模型的性能和校准.
• 研究结果强调了自主监督学习对于在医疗保健中开发可靠的人工智能的价值.