使用深集的基于深度学习的MR图像重建中的预测不确定性:对快速MRI数据集的评估
Thomas Küstner1, Kerstin Hammernik2,3, Daniel Rueckert2,3,4
1Medical Image and Data Analysis (MIDAS.lab), Department of Diagnostic and Interventional Radiology, University Hospital of Tuebingen, Tübingen, Germany.
Magnetic resonance in medicine
|January 29, 2024
概括
本研究介绍了一种方法,用于预测基于深度学习的MR图像重建中的不确定性,提高稳定性和检测错误. 该方法量化数据和模型不确定性,以提高诊断可靠性.
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:
- 对于MR图像重建的深度学习 (DL) 模型有风险产生不切实际的文物或缺失的病理.
- 目前的DL方法通常是任务不可知的,并且对域移动不稳定,可能导致未被检测到的错误.
- 量化DL重建中的不确定性对于评估强度和可靠性至关重要.
研究的目的:
- 开发和评估基于DL的MR图像重建中的像素智能预测不确定性估计方法.
- 调查域名转移和变化的网络架构对重建不确定性的影响.
- 在 aleatoric (数据) 和 epistemic (模型) 不确定性之间进行区分.
主要方法:
- 提出了一种策略,结合了深层集团的认识不确定性和非负日志概率损失的非定数不确定性.
- 整合了这种不确定性估计与DL重建的传统损失条款.
- 在快速MRI数据库上评估了五种不同的DL架构,使用分布式和分布式外数据进行测试 (不同的低样本,对比度,方向,解剖学,病理学).
主要成果:
- 拟议的不确定性测量有效地捕获了像素智能的预测不确定性,与正常化平均平方误差有很好的相关性.
- 不确定性局部化到别名解剖学和异常信号强度 (超/低强度) 的区域.
- 该方法成功检测到疾病流行率的变化,并揭示了不同网络架构的不同不确定性模式.
结论:
- 开发的方法使得在基于DL的MR重建中能够对 aleatoric 和 epistemic 不确定性进行可靠的估计.
- 为预测不确定性提供可解释的像素级检查,提高模型可靠性.
- 有助于更深入地了解DL模型在各种条件下的行为以及潜在的领域转移.
