前言

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。這對于讓醫學影像學的臨床醫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等不同的主干架構作為編碼器的條件分布采樣數據。我們使用Dice相似系數(DSC)和IOU作為評價指標來評價我們在公開數據集BRATS上的工作。

醫學圖像分割

在目前的文獻中主要利用兩種技術成功地解決了醫學圖像的分割問題，一種是利用全卷積網絡(FCN)，另一種是基于U-Net的技術。FCN體系結構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，在編碼器中有池化層，在解碼器中有上采樣層。

貝葉斯神經網絡

這是一種可擴展的避免神經網絡過擬合的方法，同時也給了我們一個不確定性的度量。神經網絡學習給定的數據集的后驗分布的權重，而不是基于點的估計，如下面的公式所示。

預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下界來尋找分布的參數。ELBO由前后分布的Kullback-Leibler (KL)散度和負對數似然(NLL)兩項之和構成。需要最小化的KL散度項如下式所示。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。