Die Studie untersucht die Integration von fünf Methoden zur epistemischen Unsicherheitsquantifizierung (UQ) in die selbstüberwachten Schichtausbreitungsmethoden Sli2Vol und Vol2Flow für die 3D-Anatomiesegmentierung. Die Ergebnisse zeigen, dass die Einbeziehung von UQ nicht nur die Zuverlässigkeit und Interpretierbarkeit der Vorhersagen verbessert, sondern auch die Segmentierungsgenauigkeit erhöht.
Die Analyse enthüllt verschiedene Versagensmodi der Schichtausbreitungsmethoden, die für Endnutzer nicht sofort ersichtlich sein könnten. So zeigt sich ein deutlicher Leistungsabfall und eine erhöhte Unsicherheit in den Modellen, sobald die Segmentierungsvorhersagen von der manuell annotierten Schicht abweichen. Insbesondere die Genauigkeit der Oberflächenmetrik verschlechtert sich bereits ab Schichten, die direkt an die annotierte Schicht angrenzen. Darüber hinaus haben die Modelle Schwierigkeiten mit nicht-konvexen anatomischen Strukturen, bei denen die Segmentierung diskontinuierlich oder aufgrund von verzweigenden anatomischen Strukturen ist.
Die Studie eröffnet neue Forschungsfelder, um die Genauigkeit und Zuverlässigkeit von Schichtausbreitungsmethoden zu verbessern. Kalibrierte UQ könnte die Entwicklung von Methoden leiten, die in der Lage sind, die beobachteten Versagensmodi zu mildern.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問