Uncertainty-informed Mutual Learning for Joint Medical Image Classification and Segmentation

要約

分類とセグメンテーションは、正確な診断と疾患の監視を可能にするため、医用画像解析において非常に重要です。
ただし、現在の方法では、機能とパフォーマンスの信頼性を無視しながら、相互学習機能と共有モデル パラメーターを優先することがよくあります。
この論文では、信頼性が高く解釈可能な医用画像分析のための新しい不確実性に基づく相互学習 (UML) フレームワークを提案します。
当社の UML は、共同の分類およびセグメンテーション タスクに信頼性を導入し、不確実性を伴う相互学習を活用してパフォーマンスを向上させます。
これを達成するために、まず証拠の深層学習を使用して、画像レベルおよびピクセル単位の信頼性を提供します。
次に、不確実性ナビゲーター デコーダーを構築して、相互の特徴をより適切に使用し、セグメンテーション結果を生成します。
さらに、分類のために信頼できるマスクをスクリーニングするために、不確実性インストラクターが提案されています。
全体として、UML は、各リンク (分類とセグメンテーション) の機能とパフォーマンスの信頼性の推定を生成できます。
公開データセットでの実験は、UML が精度と堅牢性の両方の点で既存の方法よりも優れていることを示しています。
私たちの UML には、より信頼性が高く説明可能な医用画像解析モデルの開発を探求する可能性があります。
受付後、複製用コードを公開いたします。

要約(オリジナル)

Classification and segmentation are crucial in medical image analysis as they enable accurate diagnosis and disease monitoring. However, current methods often prioritize the mutual learning features and shared model parameters, while neglecting the reliability of features and performances. In this paper, we propose a novel Uncertainty-informed Mutual Learning (UML) framework for reliable and interpretable medical image analysis. Our UML introduces reliability to joint classification and segmentation tasks, leveraging mutual learning with uncertainty to improve performance. To achieve this, we first use evidential deep learning to provide image-level and pixel-wise confidences. Then, an Uncertainty Navigator Decoder is constructed for better using mutual features and generating segmentation results. Besides, an Uncertainty Instructor is proposed to screen reliable masks for classification. Overall, UML could produce confidence estimation in features and performance for each link (classification and segmentation). The experiments on the public datasets demonstrate that our UML outperforms existing methods in terms of both accuracy and robustness. Our UML has the potential to explore the development of more reliable and explainable medical image analysis models. We will release the codes for reproduction after acceptance.

arxiv情報

著者 Kai Ren,Ke Zou,Xianjie Liu,Yidi Chen,Xuedong Yuan,Xiaojing Shen,Meng Wang,Huazhu Fu
発行日 2023-03-17 15:23:15+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク