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

導(dǎo)讀

利用變分推斷進(jìn)行分割置信度的預(yù)測(cè)。

在過(guò)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(yàn)證和可解釋性，我們不僅需要模型做出的預(yù)測(cè)，還需要知道它在做出預(yù)測(cè)時(shí)的置信度。這對(duì)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。在這篇博客中，我們展示了我們?cè)陧f洛爾理工學(xué)院進(jìn)行的研究。我們使用了一個(gè)基于變分推理技術(shù)的編碼解碼架構(gòu)來(lái)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(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)我們?cè)诠_(kāi)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(wèn)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(diǎn)是在最后沒(méi)有使用已成功用于圖像分類(lèi)問(wèn)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)

變分推斷

=======

隨機(jī)不確定性和認(rèn)知不確定性

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

有兩種類(lèi)型的不確定性 —— 隨機(jī)不確定性和認(rèn)知不確定性，其中方差是兩者的總和。對(duì)于最終的預(yù)測(cè)，單個(gè)的均值和方差可以估計(jì)，如下兩個(gè)方程所示。

方差中的第一項(xiàng)表示隨機(jī)不確定性，而第二項(xiàng)表示認(rèn)知不確定性。

網(wǎng)絡(luò)結(jié)構(gòu)

先驗(yàn)分布有助于整合網(wǎng)絡(luò)上的權(quán)值學(xué)習(xí)。我們的模型使用了與VAEs中使用的類(lèi)似的編碼器解碼器體系結(jié)構(gòu)，編碼器的輸入來(lái)自預(yù)先訓(xùn)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(biāo)準(zhǔn)差向量的均值，以此來(lái)正確預(yù)測(cè)像素點(diǎn)。參數(shù)經(jīng)過(guò)編碼器后，被轉(zhuǎn)換為一個(gè)潛在表示，再采樣的平均值和標(biāo)準(zhǔn)偏差向量。解碼器隨后將其恢復(fù)到原始分布。采用傳統(tǒng)的反向傳播算法進(jìn)行梯度下降模型的訓(xùn)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(jī)梯度下降的訓(xùn)練網(wǎng)絡(luò)的算法。

數(shù)據(jù)集

======

為了評(píng)估我們的網(wǎng)絡(luò)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(jí)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(biāo)簽是由神經(jīng)放射學(xué)專(zhuān)家創(chuàng)建的。數(shù)據(jù)集的一個(gè)示例如圖2所示。

圖2：MRI切片的例子以及分割的ground truth

評(píng)估指標(biāo)

評(píng)價(jià)指標(biāo)為Dice相似系數(shù)(DSC)，也稱(chēng)F1-score和IoU。對(duì)應(yīng)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(cè)試樣本上的模型預(yù)測(cè)示例。第一列:輸入圖像，第二列:真值分割，第三列:預(yù)測(cè)分割，第四列:隨機(jī)不確定性，第五列:認(rèn)知不確定性

總結(jié)

在這個(gè)博客中，我們提出了一種在醫(yī)學(xué)圖像分割中量化不確定性的方法。我們的模型基于一個(gè)類(lèi)似于VAEs所使用的編碼器解碼器框架。網(wǎng)絡(luò)的權(quán)值代表分布而不是點(diǎn)估計(jì)，從而在進(jìn)行預(yù)測(cè)的同時(shí)給出了一種原則性的測(cè)量不確定性的方法。編碼器的輸入來(lái)自于預(yù)訓(xùn)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(biāo)記的置信度。我們?cè)诠_(kāi)數(shù)據(jù)集BRATS上評(píng)估我們的結(jié)果，使用DSC和IOU指標(biāo)，我們的網(wǎng)絡(luò)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(luò)結(jié)構(gòu)，用于物體檢測(cè)
• 比監(jiān)督學(xué)習(xí)做的更好：半監(jiān)督學(xué)習(xí)
• 多攝像頭實(shí)時(shí)目標(biāo)跟蹤和計(jì)數(shù)，使用YOLOv4，Deep SORT和Flask

關(guān)注圖像處理，自然語(yǔ)言處理，機(jī)器學(xué)習(xí)等人工智能領(lǐng)域,請(qǐng)點(diǎn)擊關(guān)注AI公園專(zhuān)欄。
歡迎關(guān)注微信公眾號(hào)

審核編輯：符乾江