卡尔迪夫:校准不确定性并访问扩散模型的可靠性,以获得可靠的损伤细分
IEEE journal of biomedical and health informatics
|October 23, 2025
概括
本研究介绍了CalDiff,这是一个新的框架,用于提高医疗图像细分中的深度学习可靠性. CalDiff使用多个注释校准模型不确定性,提高诊断准确性和临床医生的可信度.
科学领域:
- 医学成像中的深度学习
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 深度学习模型在高风险的医疗决策中往往缺乏可靠性.
- 医疗图像细分从多个专家注释中受益,以减少偏差并提高准确性.
- 现有的模型在校准不确定性估计方面扎,导致过度自信的错误预测.
研究的目的:
- 通过利用多个注释的不确定性来开发可靠的损伤细分模型.
- 提出CalDiff,用于校准损伤细分中的模型不确定性的框架.
- 为了减轻与临床应用中过度自信的预测相关的风险.
主要方法:
- 利用来自多个注释的不确定性来捕捉诊断变异性.
- 开发了CalDiff,这是一个用于损伤细分中的不确定性校准的新框架.
- 实施了扩散模型的双步和序列感知校准机制.
主要成果:
- 卡尔迪夫 (CalDiff) 制作不确定性地图,显示低可信度区域,突出可能存在的模型错误.
- 校准不确定性与推理过程中的模型错误相关.
- 在多注释的损伤细分任务中表现出更好的可靠性和可信度.
结论:
- 卡尔迪夫提高了医学图像细分中的深度学习模型的可靠性.
- 由CalDiff生成的不确定性地图作为临床医生强大的指标.
- 该框架有助于减轻风险,使不确定领域的优先审查成为可能,并改善临床采用.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.8K
13:26Measuring Connectivity in the Primary Visual Pathway in Human Albinism Using Diffusion Tensor Imaging and Tractography
Published on: August 11, 2016
12.6K
