调查和改进隐密密度细分模型用于医学成像中的Aleatoric不确定性量化

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 医学成像中的数据不确定性导致模两可,称为 aleatoric 不确定性.
• 隐密密度模型,如概率U-Net (PU-Net),用于图像细分,但存在稀疏和未充分利用的隐密空间.

研究的目的:

• 为了解决PU-Net中稀疏隐藏空间的局限性,用于概率图像细分.
• 改进概率细分模型的潜空间内的信息性和梯度下降更新.

主要方法:

• 引入了相互信息最大化和调节的Sinkhorn分歧,以促进潜在空间的一致性.
• 将该方法应用于各种临床细分问题的公共数据集.

主要成果:

• 与之前的隐性变量模型相比,在匈牙利匹配的交叉路口上实现了高达11%的性能提升,而不是欧盟指标.
• 在用于医疗图像细分的潜密度建模中显著改进.

结论:

• 在医学图像细分中,鼓励一个均的潜空间对于有效的潜密度建模至关重要.
• 提议的改进带来了在概率细分任务中的优异性能,解决了固有的数据不确定性.