康雷格:使用符合预测的不确定性意识医疗图像注册
Benyamin Gheiji1, Danial Elyassirad1, Mahsa Vatanparast1
1Student Research Committee, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran.
Journal of imaging informatics in medicine
|March 12, 2026
概括
通过量化不确定性,CONReg增强了深度学习的医疗图像注册. 这一框架提高了可靠性和可解释性,确保了临床应用的可靠预测.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 放射学 放射学是一门学科.
背景情况:
- 医疗图像注册的深度学习 (DL) 模型缺乏不确定性量化,限制了临床信任.
- 不确定性量化 (UQ) 对于识别医学成像中不可靠的预测至关重要.
研究的目的:
- 引入CONReg,这是医疗图像注册中语音和案例级UQ的新框架.
- 通过基于统计原则的不确定性估计,提高基于DL的注册的可靠性和可解释性.
主要方法:
- 集成量子回归与合规预测 (CP) 来生成密度位移场 (DDF) 的预测间隔.
- 利用3D U-Net来预测大脑和肺部数据集上的DDF及其量子边界.
- 在关键点开发了不确定性界限框 (UBBxs),并将案例分为某些/不确定的组.
主要成果:
- 在0.92-0.98之间实现了经验覆盖,证明了可靠的UQ.
- 某些关键点和案例显示目标注册误差明显较低 (p < 0.05).
- 某些病例的平均二次误差 (MSE) 与不确定的病例相比显著较低 (p < 0.05).
结论:
- CONReg提供了一种统计学上可靠的方法来评估注册不确定性.
- 该框架提高了医疗图像注册中的DL模型的可信度和可解释性.
- 通过突出潜在的预测不可靠性的领域,CONReg促进了更好的临床决策.


