在3D解剖学细分中估计和分析切片传播不确定性
Rachaell Nihalaani1,2, Tushar Kataria1,2, Jadie Adams1,2
1Kahlert School of Computing, University of Utah, Salt Lake City, USA.
概括
使用切片传播的自主监督的3D解剖细分通过校准不确定性量化 (UQ) 得到了增强. 整合UQ提高了可靠性和准确性,揭示了潜在的故障模式,以提高可靠性.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 监督的3D解剖细分方法非常出色,但需要大量的注释数据.
- 自主监督学习,特别是切片传播,提供了使用未注释数据的有希望的替代方案.
- 确定性切片传播方法对预测可靠性和可靠性提出了担忧.
研究的目的:
- 将校准不确定性量化 (UQ) 集成到自主监督的切片传播中,用于3D解剖细分.
- 来自自主监督模型的细分预测的可信性和可靠性.
- 通过量化预测信心来提高切片传播的实际应用性.
主要方法:
- 在切片传播框架内实施了五种不确定性量化方法 (UQ).
- 在三个不同的3D腹部细分数据集上进行了实验.
- 评估了UQ对细分精度和模型可靠性的影响.
主要成果:
- 整合UQ显著提高了切片传播的可靠性和细分精度.
- UQ提供了对模型可靠性和信心水平的关键见解.
- 分析发现了以前不明显的断片传播方法的故障模式.
结论:
- 校准的不确定性量化对于提高自我监督的3D解剖细分的可靠性至关重要.
- UQ集成提高了用户的信心和切片传播的实际实用性.
- 这项研究为更准确,更可靠的自我监督细分技术铺平了道路.


