Uncertainty Estimation using the Local Lipschitz for Deep Learning Image Reconstruction Models

要約

教師ありディープ ニューラル ネットワーク アプローチの使用は、すべての領域、特にイメージング技術が診断の中心となる放射線医学において逆問題を解決するために研究されてきました。
ただし、展開時には、これらのモデルは、データのバイアスやドリフトなどにより、トレーニング データから大きくずれた入力分布にさらされます。
診断のために再構成に依存する前に、特定の入力がトレーニング データの分布の外側にあるかどうかを知ることが重要になります。
この研究の目標は 3 つです: (i) 適切なパフォーマンスを決定するための不確実性推定しきい値としてローカル リプシッツ値の使用を実証する、(ii) モデルが分布外 (OOD) 画像を識別する方法を提供する
一般化されておらず、(iii) 局所的なリプシッツ値を使用して、偽陽性を特定することで適切なデータ拡張を導き、認識論的不確実性を低減します。
当社は、再構成された画像が診断的に正確であることが医療分野に関連しているため、AUTOMAP および UNET アーキテクチャを使用した MRI 再構成と CT スパースビューからフルビューへの再構成の両方の結果を提供します。

要約(オリジナル)

The use of supervised deep neural network approaches has been investigated to solve inverse problems in all domains, especially radiology where imaging technologies are at the heart of diagnostics. However, in deployment, these models are exposed to input distributions that are widely shifted from training data, due in part to data biases or drifts. It becomes crucial to know whether a given input lies outside the training data distribution before relying on the reconstruction for diagnosis. The goal of this work is three-fold: (i) demonstrate use of the local Lipshitz value as an uncertainty estimation threshold for determining suitable performance, (ii) provide method for identifying out-of-distribution (OOD) images where the model may not have generalized, and (iii) use the local Lipschitz values to guide proper data augmentation through identifying false positives and decrease epistemic uncertainty. We provide results for both MRI reconstruction and CT sparse view to full view reconstruction using AUTOMAP and UNET architectures due to it being pertinent in the medical domain that reconstructed images remain diagnostically accurate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google