通过深度学习预测不确定性感知细分质量的贝叶斯模型:关于皮肤癌和肝脏细分的全面评估和解释

科学领域:

• 计算生物医学图像分析.
• 机器学习用于医学成像.
• 深度学习中的不确定性量化.

背景情况:

• 图像细分在生物医学分析中至关重要,但在没有基本真相的情况下,很难在临床环境中进行评估.
• 现有的模型缺乏可靠性指标,阻碍了临床采用.
• 在没有手动注释的情况下评估细分质量是一个重大挑战.

研究的目的:

• 开发一种用于预测图像分割质量的新框架,而无需在测试时进行基准真理注释.
• 引入在细分模型中量化不确定性的方法.
• 为临床应用提供细分质量的可靠指标.

主要方法:

• 提出了两个互补的框架:一个是使用预测细分和不确定性地图,另一个是整合输入图像,不确定性和预测细分.
• 采用SwinUNet和特征金字塔网络的贝叶斯适应,使用蒙特卡洛丢弃,合并和测试时间增大.
• 在2D皮肤病变和3D肝脏数据集上评估了四个不确定性估计 (信任图,,相互信息,KL分歧).

主要成果:

• 在HAM10000数据集上获得R2=93.25和Pearson相关性=96.58,表现优于之前的方法.
• 证明了R2=85.03和Pearson相关性=65.02的交叉模式稳定性,用于使用测试时间增大与的3D肝脏细分.
• 开发了一个聚合策略,将多个不确定性估计结合起来,以获得更强大的质量评分.

结论:

• 拟议的不确定性意识框架可靠地预测分段质量,没有基本真相,解决临床部署的关键差距.
• 贝叶斯深度学习适应有效量化细分质量评估的不确定性.
• 该框架为模型可靠性提供了可解释的见解,促进了对临床实践的信任和采用.