空间不确定性聚合用于数字病理学细分的好处

科学领域:

• 医学成像分析 医学成像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算病理学计算病理学

背景情况:

• 深度学习 (DL) 中的不确定性估计对于医疗应用和领域转移挑战至关重要.
• 有效地将不确定性估计集成到DL系统中仍然是一个复杂的任务.
• 在细分任务中的假负 (FN) 预测可能会产生重大临床影响.

研究的目的:

• 评估空间不确定性聚合 (SUA) 框架,以提高DL细分中的不确定性估计.
• 为了确定SUA是否改善不确定性估计和FN预测之间的相关性.
• 评估SUA是否转化为对细分业绩的有形改善.

主要方法:

• SUA框架处理负预测区域以使用聚合不确定性得分来检测FN.
• SUA可以增强现有的不确定性估计方法.
• 与处理单个像素不确定性的基线方法进行比较.

主要成果:

• SUA成功地确定了FN地区.
• SUA实现了0.92 (域内) 和0.85 (域移动) 的指标,明显超过了基线 (0.81和0.48).
• 与基线不确定性方法相比,SUA表现出优越的一般细分性能.

结论:

• 拟议的SUA框架有效地纳入并利用在DL细分中用于细胞病理学的FN检测的不确定性估计.
• 与独立的像素不确定性评估相比,SUA提供了显著的优势.
• 该框架有望提高DL细分在医疗应用中的可靠性.