首發(fā)：AI公園公眾號
作者：Abhinav Sagar
編譯：ronghuaiyang

導讀

利用變分推斷進行分割置信度的預測。

在過去的十年里，深度學習在一系列的應用中取得了巨大的成功。然而，為了驗證和可解釋性，我們不僅需要模型做出的預測，還需要知道它在做出預測時的置信度。這對于讓醫(yī)學影像學的臨床醫(yī)生接受它是非常重要的。在這篇博客中，我們展示了我們在韋洛爾理工學院進行的研究。我們使用了一個基于變分推理技術的編碼解碼架構(gòu)來分割腦腫瘤圖像。我們比較了U-Net、V-Net和FCN等不同的主干架構(gòu)作為編碼器的條件分布采樣數(shù)據(jù)。我們使用Dice相似系數(shù)(DSC)和IOU作為評價指標來評價我們在公開數(shù)據(jù)集BRATS上的工作。

醫(yī)學圖像分割

在目前的文獻中主要利用兩種技術成功地解決了醫(yī)學圖像的分割問題，一種是利用全卷積網(wǎng)絡(FCN)，另一種是基于U-Net的技術。FCN體系結(jié)構(gòu)的主要特點是在最后沒有使用已成功用于圖像分類問題的全連接層。另一方面，U-Net使用一種編碼器-解碼器架構(gòu)，在編碼器中有池化層，在解碼器中有上采樣層。

貝葉斯神經(jīng)網(wǎng)絡

變分推斷

=======

隨機不確定性和認知不確定性

================

有兩種類型的不確定性 —— 隨機不確定性和認知不確定性，其中方差是兩者的總和。對于最終的預測，單個的均值和方差可以估計，如下兩個方程所示。

方差中的第一項表示隨機不確定性，而第二項表示認知不確定性。

網(wǎng)絡結(jié)構(gòu)

先驗分布有助于整合網(wǎng)絡上的權(quán)值學習。我們的模型使用了與VAEs中使用的類似的編碼器解碼器體系結(jié)構(gòu)，編碼器的輸入來自預先訓練好的圖像分割結(jié)構(gòu)。輸入到編碼器只需要表示置信度的條件分布的標準差向量的均值，以此來正確預測像素點。參數(shù)經(jīng)過編碼器后，被轉(zhuǎn)換為一個潛在表示，再采樣的平均值和標準偏差向量。解碼器隨后將其恢復到原始分布。采用傳統(tǒng)的反向傳播算法進行梯度下降模型的訓練。本工作中使用的模型架構(gòu)如圖1所示：

圖1：模型結(jié)構(gòu)

算法

下面是基于隨機梯度下降的訓練網(wǎng)絡的算法。

數(shù)據(jù)集

======

為了評估我們的網(wǎng)絡性能，我們使用BRATS18腦瘤分割數(shù)據(jù)集。它包含175名惡性膠質(zhì)瘤和低級別惡性膠質(zhì)瘤患者的MRI掃描。圖像分辨率為240×240×155像素。ground truth標簽是由神經(jīng)放射學專家創(chuàng)建的。數(shù)據(jù)集的一個示例如圖2所示。

圖2：MRI切片的例子以及分割的ground truth

評估指標

評價指標為Dice相似系數(shù)(DSC)，也稱F1-score和IoU。對應的方程如下所示。

損失函數(shù)

=======

結(jié)果

=====

分割所涉及的不確定性如圖3所示。深的顏色表示更自信，而淺的顏色表示模型在這些區(qū)域不太自信。

圖3：與ground truth分割相比，測試樣本上的模型預測示例。第一列:輸入圖像，第二列:真值分割，第三列:預測分割，第四列:隨機不確定性，第五列:認知不確定性

總結(jié)

在這個博客中，我們提出了一種在醫(yī)學圖像分割中量化不確定性的方法。我們的模型基于一個類似于VAEs所使用的編碼器解碼器框架。網(wǎng)絡的權(quán)值代表分布而不是點估計，從而在進行預測的同時給出了一種原則性的測量不確定性的方法。編碼器的輸入來自于預訓練的骨干架構(gòu)，如U-Net, V-Net, FCN，這些架構(gòu)都是從條件分布中采樣的，代表了像素被正確標記的置信度。我們在公開數(shù)據(jù)集BRATS上評估我們的結(jié)果，使用DSC和IOU指標，我們的網(wǎng)絡優(yōu)于以前的SOTA的結(jié)果。

—END—

英文原文：https://towardsdatascience.co...

推薦閱讀

• CBNet：一種新的組合主干網(wǎng)絡結(jié)構(gòu)，用于物體檢測
• 比監(jiān)督學習做的更好：半監(jiān)督學習
• 多攝像頭實時目標跟蹤和計數(shù)，使用YOLOv4，Deep SORT和Flask

關注圖像處理，自然語言處理，機器學習等人工智能領域,請點擊關注AI公園專欄。
歡迎關注微信公眾號

審核編輯：符乾江