信頼性の高い医療画像セグメンテーションのための証拠に基づく校正された不確実性の活用

本研究では、様々な医療画像セグメンテーションネットワークに簡単に統合できる基盤モデルであるDEviSを提案する。DEviSは、セグメンテーション精度の校正と堅牢性を高めるだけでなく、信頼性の高い予測のための高効率な不確実性推定も提供する。主観論理理論を活用し、医療画像セグメンテーションの問題に対して確率と不確実性を明示的にモデル化する。さらに、信頼性の高い予測と不確実性の推定を生成するための校正された不確実性ペナルティを開発する。最後に、不確実性を活用したフィルタリング戦略を提案し、医療データの品質指標や異常検知への応用を示す。