前言

在過去的十年里，深度學(xué)習(xí)在一系列的應(yīng)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(yù)測，還需要知道它在做出預(yù)測時的置信度。這對于讓醫(yī)學(xué)影像學(xué)的臨床醫(yī)生接受它是非常重要的。在本文中，我們展示了我們在韋洛爾理工學(xué)院進(jìn)行的研究。我們使用了一個基于變分推理技術(shù)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(biāo)來評價我們在公開數(shù)據(jù)集BRATS上的工作。

醫(yī)學(xué)圖像分割

在目前的文獻(xiàn)中主要利用兩種技術(shù)成功地解決了醫(yī)學(xué)圖像的分割問題，一種是利用全卷積網(wǎng)絡(luò)(FCN)，另一種是基于U-Net的技術(shù)。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(luò)

這是一種可擴(kuò)展的避免神經(jīng)網(wǎng)絡(luò)過擬合的方法，同時也給了我們一個不確定性的度量。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)給定的數(shù)據(jù)集的后驗分布的權(quán)重，而不是基于點的估計，如下面的公式所示。

預(yù)測分布可以通過逼近積分來計算，如下式所示。

變分推斷

變分推斷通過最大化證據(jù)下界來尋找分布的參數(shù)。ELBO由前后分布的Kullback-Leibler (KL)散度和負(fù)對數(shù)似然(NLL)兩項之和構(gòu)成。需要最小化的KL散度項如下式所示。

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的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？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。