医疗图像分割中的可靠不确定性的平均校准损失

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 医学成像中的深度神经网络 (DNN) 经常表现出过度自信,降低了它们的可靠性和临床适用性.
• 校准,预测的信心与真实的准确性对齐,对于医疗保健中可靠的AI至关重要.

研究的目的:

• 开发和评估边际L1平均校准误差 (mL1-ACE) 的可微分配方,作为辅助损失函数.
• 改进用于医疗图像分割的深度神经网络中的像素智能校准.
• 为控制模型校准和细分精度之间的权衡提供一种方法.

主要方法:

• 建议微分 mL1-ACE 作为每图像辅助损失.
• 对比硬binning和软binning方法用于像素智能校准.
• 在 ACDC,AMOS,KiTS 和 BraTS 数据集上评估性能.
• 引入了数据集可靠性历史图,用于分析校准变化.

主要成果:

• 在数据集中,mL1-ACE显著降低了平均校准误差 (ACE) 和最大校准误差 (MCE).
• 固体的mL1-ACE保持了高的子相似系数 (DSC),同时改善了校准.
• 软体mL1-ACE显示了更大的校准改进,但有时会损害细分性能.
• 数据集可靠性历史图显示,预测的可靠性与真实准确性之间有更好的对齐.

结论:

• 可差分的mL1-ACE有效地增强了用于医疗图像细分的DNN校准.
• 硬包装和软包装之间的选择允许平衡校准收益和细分性能.
• 提出的方法为从业者提供了对可靠性的更好控制,促进AI工具的临床采用.