Reliable Multimodality Eye Disease Screening via Mixture of Student’s t Distributions

要約

多様な情報源からの情報を統合してそれぞれの性能を補完するため、集学的眼疾患スクリーニングは眼科において極めて重要です。
しかし、既存の手法は各単峰性の信頼性を評価するのが弱く、信頼性の低いモダリティを直接融合するとスクリーニングエラーが発生する可能性があります。
この問題に対処するために、眼疾患スクリーニング用の新しいマルチモダリティ証拠融合パイプライン EyeMoSt を導入します。これは、単峰性の信頼度の尺度を提供し、多分布融合の観点からマルチモダリティ情報をエレガントに統合します。
具体的には、私たちのモデルは、信頼性の高い分類結果を生成するために、単峰性の局所的な不確実性と融合モダリティの全体的な不確実性の両方を推定します。
さらに重要なことは、提案されたスチューデントの $t$ 分布の混合は、さまざまなモダリティを適応的に統合して、モデルにヘビーテール特性を与え、ロバスト性と信頼性を向上させることです。
公開データセットと社内データセットの両方に関する実験結果は、私たちのモデルが現在の方法よりも信頼できることを示しています。
さらに、EyeMost はデータ品質識別器として機能する潜在的な能力を備えており、多様な眼疾患スクリーニングにおいて信頼性の高い意思決定を可能にします。

要約(オリジナル)

Multimodality eye disease screening is crucial in ophthalmology as it integrates information from diverse sources to complement their respective performances. However, the existing methods are weak in assessing the reliability of each unimodality, and directly fusing an unreliable modality may cause screening errors. To address this issue, we introduce a novel multimodality evidential fusion pipeline for eye disease screening, EyeMoSt, which provides a measure of confidence for unimodality and elegantly integrates the multimodality information from a multi-distribution fusion perspective. Specifically, our model estimates both local uncertainty for unimodality and global uncertainty for the fusion modality to produce reliable classification results. More importantly, the proposed mixture of Student’s $t$ distributions adaptively integrates different modalities to endow the model with heavy-tailed properties, increasing robustness and reliability. Our experimental findings on both public and in-house datasets show that our model is more reliable than current methods. Additionally, EyeMost has the potential ability to serve as a data quality discriminator, enabling reliable decision-making for multimodality eye disease screening.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google