מושגי ליבה
본 연구는 다양한 의료 영상 분할 네트워크에 쉽게 통합할 수 있는 DEviS 모델을 제안한다. DEviS는 기준 분할 정확도를 높이고 신뢰할 수 있는 예측을 위해 보정된 불확실성을 제공한다.
תקציר
본 연구는 신뢰할 수 있는 의료 영상 분할을 위한 DEviS 모델을 제안한다. DEviS는 다음과 같은 특징을 가진다:
주관적 논리 이론을 활용하여 의료 영상 분할 문제에 대한 확률과 불확실성을 명시적으로 모델링한다. 디리클레 분포를 사용하여 분할 결과의 다른 클래스에 대한 확률 분포를 나타낸다.
보정된 예측과 불확실성을 생성하기 위해 학습 가능한 보정 불확실성 페널티(CUP)를 개발했다. CUP는 기준 네트워크의 분할 성능을 유지하면서 더 신뢰할 수 있는 확신을 제공한다.
불확실성 인식 필터링(UAF) 전략을 개발하여 DEviS를 임상 응용 프로그램에 통합할 수 있도록 했다. UAF는 OOD 데이터를 감지하고 이미지 데이터 품질에 대한 통찰력을 제공한다.
실험 결과, DEviS는 ISIC2018, LiTS2017, BraTS2019 데이터셋에서 표준 및 적대적 샘플에 대한 정확성과 강건성을 입증했다. 또한 불확실성 추정의 효율성과 신뢰성도 평가했다. 이를 통해 DEviS가 신뢰할 수 있는 의료 영상 분할을 달성하는 데 도움이 될 것으로 기대된다.
סטטיסטיקה
정확한 예측에 대해 낮은 불확실성을 가지고, 부정확한 예측에 대해 높은 불확실성을 가지는 것이 바람직하다.
불확실성 기반 보정 오류(UCE)는 데이터의 신뢰성을 판단하는 데 사용될 수 있다.
높은 UCE 샘플은 허용 가능한 최대 OOD 데이터 또는 저품질 데이터로 간주될 수 있다.
ציטוטים
"의료 영상 분할은 질병 진단 및 치료 평가에 중요하다. 그러나 분할 영역의 신뢰성에 대한 우려가 임상의들 사이에 지속되고 있다."
"신뢰할 수 있는 의료 영상 분할 모델은 의료 전문가와 환자 간의 신뢰 관계를 구축하는 데 핵심적인 역할을 한다."
"기존 연구는 의료 영상 분할 성능 개발을 단순히 분할 정확도에 중점을 두고 있다. 이는 AI 시스템이 내리는 모호한 결정의 존재를 간과하고 있다."