【论文标题】Quantifying Predictive Uncertainty in Medical Image Analysis with Deep Kernel Learning

【作者团队】Zhiliang Wu, Yinchong Yang, Jindong Gu, Volker Tresp

【发表时间】2021/06/01

【机 构】慕尼黑大学，德国

【论文链接】https://arxiv.org/pdf/2106.00638.pdf

 

【推荐理由】本文出自慕尼黑大学，考虑模型预测中的不确定性问题，本文提出了一种不确定性感知深度核学习模型，通过卷积神经网络和稀疏高斯过程的管道来估计预测中的不确定性。通过实验验证该方法具有较高的可靠性。

 

深度神经网络越来越多地用于医学图像分析。然而，大多数工作忽略了模型预测中的不确定性。本文提出了一种不确定性感知深度核学习模型，该模型允许通过卷积神经网络和稀疏高斯过程的管道来估计预测中的不确定性。此外，本文采用不同的预训练方法来研究它们对所提出模型的影响。本文将搭建的模型方法应用于骨龄预测和病变定位。在大多数情况下，与常见架构相比，所提出的模型显示出更好的性能。更重要的是，本文的模型系统地表达了对更准确预测的更高置信度和对不太准确的预测的更低置信度。本文的模型还可用于检测具有挑战性和有争议的测试样本。与 Monte-Carlo Dropout 等相关方法相比，该方法以纯粹的分析方式推导出不确定性信息，因此计算效率更高。

 

本文的贡献主要如下：

1）基于稀疏 GP 和 CNN 的最新发展，提出了一种新颖的深度核学习模型，用于医学图像的回归；

2）通过为 CNN 引入不同的预训练方法和初始化方法来优化所提出的模型，以优化稀疏 GP 中的诱导点；

3）将所提出的模型应用于单变量骨龄预测和多变量病变定位的任务，并在点估计和预测不确定性方面对不同的预训练和初始化方法进行了彻底的比较。

图1 模型架构示意图

内容中包含的图片若涉及版权问题，请及时与我们联系删除