基于热图的地标检测模型的不确定性量化和质量控制

科学领域:

• 医疗人工智能 医疗人工智能
• 可解释的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习模型在解剖学里程碑检测方面实现了高精度,但由于目标大小小和上下文噪声,难以确定不确定性量化.
• 量化不确定性对于临床医生的信任和医疗AI应用中的可靠结果至关重要.
• 现有的方法在提供基于热图的地标检测的可靠不确定性估计方面面临挑战.

研究的目的:

• 开发一个端到端的不确定性量化方法,用于基于热图的解剖学地标检测.
• 提高深度学习模型在临床环境中的可解释性和可控制性.
• 提高地标检测对噪声的稳定性,并识别分布外数据.

主要方法:

• 借助德姆斯特-沙弗理论和主观逻辑理论,在单个前进传递中进行概率赋值和不确定性量化.
• 引入了一个证据地图来量化里程碑证据的强度和一个不确定性地图用于校准的概率评估.
• 利用交叉注意力机制来整合证据和不确定性地图,提高检测准确性和量化.

主要成果:

• 拟议的方法保持了高的检测准确性,即使在噪音条件下.
• 与最先进的方法相比,在不确定性量化和质量控制方面表现优越.
• 通过使用校准概率成功识别了分布外数据,显示了多中心和新型数据分析的潜力.

结论:

• 开发的方法为解剖学里程碑检测中的不确定性量化提供了高效和有效的解决方案.
• 该方法提高了AI在医学中的临床部署的模型可靠性和可信度.
• 这些发现支持使用校准概率来进行医疗成像AI中的强有力的质量控制和数据验证.