Metric-guided Image Reconstruction Bounds via Conformal Prediction

要約

最近の機械学習の進歩により、不適切な問題に対処する新しいイメージング システムとアルゴリズムが開発されました。
それらの信頼性を評価し、テスト時にそれらを安全に導入する方法を理解することは、依然として重要かつ未解決の問題です。
我々は、等角予測を利用して、下流メトリクスの予測間隔に基づいて再構成の上限/下限と統計的内値/外れ値を取得する方法を提案します。
我々の方法を下流の放射線治療計画のためのスパースビューCTに適用し、1) メトリクスガイド付き境界は下流メトリクスを有効にカバーするが、従来のピクセルごとの境界はカバーしないこと、および 2) メトリクスガイド付き境界間の上限/下限の解剖学的差異を示す。
そしてピクセル単位のメソッド。
私たちの取り組みは、より意味のある再構築限界への道を切り開きます。
コードは https://github.com/matthewyccheung/conformal-metric で入手できます

要約(オリジナル)

Recent advancements in machine learning have led to novel imaging systems and algorithms that address ill-posed problems. Assessing their trustworthiness and understanding how to deploy them safely at test time remains an important and open problem. We propose a method that leverages conformal prediction to retrieve upper/lower bounds and statistical inliers/outliers of reconstructions based on the prediction intervals of downstream metrics. We apply our method to sparse-view CT for downstream radiotherapy planning and show 1) that metric-guided bounds have valid coverage for downstream metrics while conventional pixel-wise bounds do not and 2) anatomical differences of upper/lower bounds between metric-guided and pixel-wise methods. Our work paves the way for more meaningful reconstruction bounds. Code available at https://github.com/matthewyccheung/conformal-metric

arxiv情報

提供元, 利用サービス

arxiv.jp, Google