通过建模证据校准不确定性来实现可靠的医疗图像分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 医学图像细分对于诊断和治疗至关重要,但临床医生的信任受到可靠性差的限制.
• 现有的方法缺乏信心评估,稳定性和校准,阻碍了临床采用.
• 不确定性估计对于可靠的医学图像细分至关重要.

研究的目的:

• 引入DEviS (深度证据细分),这是一个基础模型,增强了医疗图像细分.
• 为了提高细分精度,稳定性,并提供高效的不确定性估计.
• 为了使可靠的预测和过在临床环境中的分布之外的数据.

主要方法:

• DEviS可以无地集成到现有的细分网络中,利用主观逻辑理论.
• 使用迪里克莱特分布进行概率和不确定性建模.
• 引入一个可训练的校准不确定性惩罚和一个不确定性意识过 (UAF) 模块.

主要成果:

• 在多个公共数据集中,DEviS提高了准确性和稳定性 (ISIC2018,KiTS2021,LiTS2017,BraTS2019).
• 证明了高效可靠的不确定性估计.
• 临床试验证实了UAF在过销售和识别高质量的数据方面的有效性.

结论:

• DEviS显著提高了医疗图像细分的可靠性和可信度.
• 在临床数据过方面,UAF模块被证明是有效的.
• 对于半监督式学习,DEviS显得有前途,在噪音条件下表现出稳健性.