如何对医学图像分割中的置信度进行量化?-德赢Vwin官网网

在过去的十年里，深度学习在一系列的应用中取得了巨大的成功。然而，为了验证和可解释性，我们不仅需要模型做出的预测，还需要知道它在做出预测时的置信度。这对于让医学影像学的临床医生接受它是非常重要的。在这篇博客中，我们展示了我们在韦洛尔理工学院进行的研究。我们使用了一个基于变分推理技术的编码解码架构来分割脑肿瘤图像。我们比较了U-Net、V-Net和FCN等不同的主干架构作为编码器的条件分布采样数据。我们使用Dice相似系数(DSC)和IOU作为评价指标来评价我们在公开数据集BRATS上的工作。

医学图像分割

在目前的文献中主要利用两种技术成功地解决了医学图像的分割问题，一种是利用全卷积网络(FCN)，另一种是基于U-Net的技术。FCN体系结构的主要特点是在最后没有使用已成功用于图像分类问题的全连接层。另一方面，U-Net使用一种编码器-解码器架构，在编码器中有池化层，在解码器中有上采样层。

贝叶斯神经网络

这是一种可扩展的避免神经网络过拟合的方法，同时也给了我们一个不确定性的度量。神经网络学习给定的数据集的后验分布的权重，而不是基于点的估计，如下面的公式所示。

预测分布可以通过逼近积分来计算，如下式所示。

变分推断

变分推断通过最大化证据下界来寻找分布的参数。ELBO由前后分布的Kullback-Leibler (KL)散度和负对数似然(NLL)两项之和构成。需要最小化的KL散度项如下式所示。

KL散度定义如下式。

由于上述方程中的积分在本质上是难以处理的，它可以写成另一种形式。该方程可转化为优化问题，如下式所示。

随机不确定性和认知不确定性

有两种类型的不确定性 —— 随机不确定性和认知不确定性，其中方差是两者的总和。对于最终的预测，单个的均值和方差可以估计，如下两个方程所示。

方差中的第一项表示随机不确定性，而第二项表示认知不确定性。

网络结构

先验分布有助于整合网络上的权值学习。我们的模型使用了与VAEs中使用的类似的编码器解码器体系结构，编码器的输入来自预先训练好的图像分割结构。输入到编码器只需要表示置信度的条件分布的标准差向量的均值，以此来正确预测像素点。参数经过编码器后，被转换为一个潜在表示，再采样的平均值和标准偏差向量。解码器随后将其恢复到原始分布。采用传统的反向传播算法进行梯度下降模型的训练。本工作中使用的模型架构如图1所示：

图1：模型结构

算法

下面是基于随机梯度下降的训练网络的算法。

数据集

为了评估我们的网络性能，我们使用BRATS18脑瘤分割数据集。它包含175名恶性胶质瘤和低级别恶性胶质瘤患者的MRI扫描。图像分辨率为240×240×155像素。ground truth标签是由神经放射学专家创建的。数据集的一个示例如图2所示。

图2：MRI切片的例子以及分割的ground truth

评估指标

评价指标为Dice相似系数(DSC)，也称F1-score和IoU。对应的方程如下所示。

损失函数

采用二元交叉熵和dice损失相结合的方法对网络进行训练。第一部分二元交叉熵是分类问题中常用的损失函数，如下式所示:

二元交叉熵损失的问题在于它没有考虑到类的不平衡，因为背景是占主导地位的类。dice损失解决了这个问题，可以写成如下公式。

这两个损失项被合并在一个项中，并给予dice损失项更多的权重，因为它能更好地处理类别不平衡问题。这是用下面的公式定义的。

结果

分割所涉及的不确定性如图3所示。深的颜色表示更自信，而浅的颜色表示模型在这些区域不太自信。

图3：与ground truth分割相比，测试样本上的模型预测示例。第一列:输入图像，第二列:真值分割，第三列:预测分割，第四列:随机不确定性，第五列:认知不确定性

总结

在这个博客中，我们提出了一种在医学图像分割中量化不确定性的方法。我们的模型基于一个类似于VAEs所使用的编码器解码器框架。网络的权值代表分布而不是点估计，从而在进行预测的同时给出了一种原则性的测量不确定性的方法。编码器的输入来自于预训练的骨干架构，如U-Net, V-Net, FCN，这些架构都是从条件分布中采样的，代表了像素被正确标记的置信度。我们在公开数据集BRATS上评估我们的结果，使用DSC和IOU指标，我们的网络优于以前的SOTA的结果。

原文标题：解析丨对医学图像分割中的置信度进行量化

文章出处：【微信公众号：通信信号处理研究所】欢迎添加关注！文章转载请注明出处。

责任编辑：haq

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

神经网络

神经网络

+关注

关注
42

文章
4771

浏览量
100709
深度学习

深度学习

+关注

关注
73

文章
5500

浏览量
121109

原文标题：解析丨对医学图像分割中的置信度进行量化

文章出处：【微信号：tyutcsplab，微信公众号：智能感知与物联网技术研究所】欢迎添加关注！文章转载请注明出处。

语义分割25种损失函数综述和展望

本综述提供了对25种用于图像分割的损失函数的全面且统一的回顾。我们提供了一种新颖的分类法，并详细审查了这些损失函数如何在图像分割中被定制和利用，强调了它们的重要特征和应用，并

发表于 10-22 08:04 •468次阅读

计算机视觉中的图像融合

在许多计算机视觉应用中（例如机器人运动和医学成像），需要将多个图像的相关信息整合到单一图像中。这种图像

发表于 08-01 08:28 •627次阅读

图像语义分割的实用性是什么

图像语义分割是一种重要的计算机视觉任务，它旨在将图像中的每个像素分配到相应的语义类别中。这项技术在许多领域都有广泛的应用，如自动驾驶、

发表于 07-17 09:56 •414次阅读

图像分割和语义分割的区别与联系

、亮度等。图像分割的目的是将图像中感兴趣的部分与背景分离，以便进行进一步的处理和分析。 1.1 图像

发表于 07-17 09:55 •900次阅读

图像分割与目标检测的区别是什么

的区别。定义图像分割是将图像划分为若干个区域或对象的过程，这些区域或对象具有相似的属性，如颜色、纹理或形状。图像分割的目的是将

发表于 07-17 09:53 •1271次阅读

机器学习中的数据分割方法

在机器学习中，数据分割是一项至关重要的任务，它直接影响到模型的训练效果、泛化能力以及最终的性能评估。本文将从多个方面详细探讨机器学习中数据分割的方法，包括常见的

发表于 07-10 16:10 •1693次阅读

图像分割与语义分割中的CNN模型综述

图像分割与语义分割是计算机视觉领域的重要任务，旨在将图像划分为多个具有特定语义含义的区域或对象。卷积神经网络（CNN）作为深度学习的一种核心模型，在

发表于 07-09 11:51 •823次阅读

机器人视觉技术中常见的图像分割方法

机器人视觉技术中的图像分割方法是一个广泛且深入的研究领域。图像分割是将图像划分为多个区域或对象的

发表于 07-09 09:31 •650次阅读

机器人视觉技术中图像分割方法有哪些

机器人视觉技术是人工智能领域的一个重要分支，它涉及到图像处理、模式识别、机器学习等多个学科。图像分割是机器人视觉技术中的一个重要环节，它的目标是从一幅

发表于 07-04 11:34 •912次阅读

卷积神经网络在图像和医学诊断中的优势

通过模拟人脑视觉皮层的工作机制，实现对图像数据的高效处理，特别是在图像分类、目标检测、图像分割以及医学图

发表于 07-01 15:59 •1034次阅读

常见的医学图像读取方式和预处理方法

基于深度学习做医学图像数据分析，例如病灶检测、肿瘤或者器官分割等任务，第一步就是要对数据有一个大概的认识。但是我刚刚入门医学图像

发表于 04-19 11:43 •829次阅读

Harvard FairSeg：第一个用于医学分割的公平性数据集

为了解决这些挑战，我们提出了第一个大规模医学分割领域的公平性数据集， Harvard-FairSeg。该数据集旨在用于研究公平性的cup-disc segmentation，从SLO眼底图像中诊断青光眼，如图1所示。

发表于 01-25 16:52 •542次阅读

改进棉花根系图像分割方法

棉花是锦葵科棉属植物，棉花生产的纤维是我国各类衣服、家具布和工业用布的材料，目前我国的棉花产量也非常高，主要以新疆地区为主。根系是植物组成的重要部分，其生长发育至关重要。根系图像分割是根系表型分析

发表于 01-18 16:18 •294次阅读

基于TIC6000 DSP教学实验箱_数字图像处理操作教程：5-20 图像离散余弦变换（LCD显示）

变换，变换后DCT系数能量主要集中在左上角，其余大部分系数接近于零，DCT具有适用于图像压缩的特性。将变换后的DCT系数进行门限操作，将小于一定值得系数归零，这就是图像压缩中的

发表于 01-11 14:34

【爱芯派 Pro 开发板试用体验】+ 图像分割和填充的Demo测试

上进行了训练——准确地说，在1100万张图像中，有超过10亿个掩码。这是一个相当大的数字。即便如此，SAM 如何知道要在图像中分割出哪些对象

发表于 12-26 11:22

搜索历史

如何对医学图像分割中的置信度进行量化?

评论

语义分割25种损失函数综述和展望

计算机视觉中的图像融合

图像语义分割的实用性是什么

图像分割和语义分割的区别与联系

图像分割与目标检测的区别是什么

机器学习中的数据分割方法

图像分割与语义分割中的CNN模型综述

机器人视觉技术中常见的图像分割方法

机器人视觉技术中图像分割方法有哪些

卷积神经网络在图像和医学诊断中的优势

常见的医学图像读取方式和预处理方法

Harvard FairSeg：第一个用于医学分割的公平性数据集

改进棉花根系图像分割方法

基于TIC6000 DSP教学实验箱_数字图像处理操作教程：5-20 图像离散余弦变换（LCD显示）

【爱芯派 Pro 开发板试用体验】+ 图像分割和填充的Demo测试