跨解剖学尺度的深度学习中的基于结构的不确定性:白质损伤细分的分析
Nataliia Molchanova1, Vatsal Raina2, Andrey Malinin3
1Radiology Department, University of Lausanne and Lausanne University Hospital, Lausanne, Switzerland; MedGIFT, Institute of Informatics, School of Management, HES-SO Valais-Wallis University of Applied Sciences and Arts Western Switzerland, Sierre, Switzerland; CIBM Center for Biomedical Imaging, Lausanne, Switzerland.
Computers in biology and medicine
|November 15, 2024
概括
对于白质病变 (WML) 分段的深度学习模型中的不确定性量化 (UQ) 可靠地表明病变和患者尺度上的预测错误. 新的UQ措施提高了对多发性硬化症 (MS) 核磁共振分析的可靠性评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 自动深度学习 (DL) 工具越来越多地用于在多发性硬化症 (MS) 患者的磁共振成像 (MRI) 扫描中对白质病变 (WMLs) 的细分.
- 评估这些DL工具的可靠性对于临床应用至关重要.
- 不确定性量化 (UQ) 提供了一种评估细分预测可靠性的潜在方法.
研究的目的:
- 探索UQ作为DL模型可靠性的指标,用于MS中的WML细分.
- 调查voxel,病变和患者尺度上的不确定性测量和预测错误之间的关系.
- 开发和验证新的病变和患者尺度的UQ测量方法.
主要方法:
- 开发了基于结构预测差异的病变和患者尺度的新型UQ测量.
- 扩展的错误保留曲线分析,用于评估 UQ 在病变和患者尺度上的性能.
- 分析了在域内和域外设置中的UQ性能,使用多中心MRI数据集 (444名患者).
主要成果:
- 拟议的UQ措施有效捕捉病变和患者尺度上的模型错误.
- 这些新型测量方法的性能优于平均voxel级不确定性的方法.
- 不同解剖学尺度上的UQ与特定类型的细分错误相关.
结论:
- UQ是DL模型可靠性的一个有价值的指标,用于MS中的WML细分.
- 损伤和患者规模的UQ测量比voxel规模的平均值提供了更有意义的模型可靠性的见解.
- 开发的UQ框架提高了自动化WML细分的可解释性和可靠性.
