TBraTS: Trusted Brain Tumor Segmentation

要約

脳腫瘍のセグメンテーションの精度が最近改善されたにもかかわらず、結果は依然として低レベルの信頼性と堅牢性を示しています。
不確実性の推定は、セグメンテーション結果の信頼性の尺度を提供するため、この状況を変える効果的な方法の1つです。
この論文では、過度の計算負荷やバックボーンネットワークの変更なしに、堅牢なセグメンテーション結果と信頼性の高い不確実性推定を生成できる信頼できる脳腫瘍セグメンテーションネットワークを提案します。
私たちの方法では、不確実性は主観的論理理論を使用して明示的にモデル化されます。主観的論理理論は、セグメンテーションのクラス確率をディリクレ分布としてパラメーター化することにより、バックボーンニューラルネットワークの予測を主観的意見として扱います。
一方、信頼できるセグメンテーションフレームワークは、最終的なセグメンテーション結果につながる機能から信頼できる証拠を収集する機能を学習します。
全体として、私たちの統一された信頼できるセグメンテーションフレームワークは、モデルに配布外のサンプルに対する信頼性と堅牢性を与えます。
堅牢性と信頼性におけるモデルの有効性を評価するために、BraTS2019データセットで定性的および定量的実験が行われます。

要約(オリジナル)

Despite recent improvements in the accuracy of brain tumor segmentation, the results still exhibit low levels of confidence and robustness. Uncertainty estimation is one effective way to change this situation, as it provides a measure of confidence in the segmentation results. In this paper, we propose a trusted brain tumor segmentation network which can generate robust segmentation results and reliable uncertainty estimations without excessive computational burden and modification of the backbone network. In our method, uncertainty is modeled explicitly using subjective logic theory, which treats the predictions of backbone neural network as subjective opinions by parameterizing the class probabilities of the segmentation as a Dirichlet distribution. Meanwhile, the trusted segmentation framework learns the function that gathers reliable evidence from the feature leading to the final segmentation results. Overall, our unified trusted segmentation framework endows the model with reliability and robustness to out-of-distribution samples. To evaluate the effectiveness of our model in robustness and reliability, qualitative and quantitative experiments are conducted on the BraTS 2019 dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google