使用MedSAM进行眼科细分的不确定性意识培训

科学领域:

• 眼科成像分析眼科成像分析
• 医学深度学习 医学深度学习
• 不确定性量化不确定性的量化.

背景情况:

• 深度学习 (DL) 模型需要增强可解释性和学习指导.
• 不确定性量化 (UQ) 是提高DL模型可靠性的关键领域.
• 眼科细分任务从精确的像素级分类中受益.

研究的目的:

• 引入不确定性意识训练 (UAT) 以增加DL损失函数的不确定性地图.
• 通过关注高度不确定性的领域来提高DL模型的性能和可解释性.
• 提高眼科细分任务的准确性,例如地理缩 (GA),视力杯 (OC) 和状血管区域 (FAZ).

主要方法:

• 将UAT应用于三个眼科细分任务:GA,OC和FAZ.
• 权重二进制交叉损失函数使用不确定性图以关注模两可的区域.
• 用基于的UQ和符合性预测技术进行了实验.
• 在精心调整的最先进的基础模型上评估UAT.

主要成果:

• 在损失计算时以值加权的地图在所有数据集中始终提高了性能.
• 符合性预测 (最不含糊的设定值分类器) 增强了GA和OC细分.
• 在没有对培训结构进行重大修改的情况下,UAT的整合是可行的.

结论:

• 通过将不确定性与错误相结合,UAT有效地提高了DL模型的性能和可解释性.
• 该方法提高了眼科应用中的细分精度.
• 由于UAT的轻量化集成,可以促进实际采用,并提高模型性能.