深度学习核心技术精讲100篇（五十八）- 如何量化医学图像分割中的置信度？

Posted 2021-08-23 文宇肃然

前言

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。在本文中，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。