Conformal Prediction for Image Segmentation Using Morphological Prediction Sets

要約

画像セグメンテーションは、データラベル付けプロセスやトレーニングデータのサンプリングなど、複数の不確実性のソースに影響を与える挑戦的なタスクです。
このホワイトペーパーでは、バイナリセグメンテーションに焦点を当て、適合予測のモデルおよびデータに依存しない方法のファミリーであるコンフォーマル予測を使用して、これらの課題に対処します。
私たちのアプローチでは、トレーニング中に使用されない保留アウトキャリブレーションデータで、予測残差の種類である不適合スコアを計算することが含まれます。
数学的形態の基本的な操作の1つである拡張を使用して、予測されたセグメンテーションマスクの境界線に追加されたマージンを構築します。
推論では、マスクとそのマージンによって形成された予測セットには、ユーザーが指定した信頼レベルで、高い確率の地上真実マスクが含まれています。
マージンのサイズは、特定のモデルとデータセットの予測不確実性の指標として機能します。
予測子からのフィードバックを必要としないため、最小限の情報のレジームで作業します。予測セットの計算には予測されたマスクのみが必要です。
したがって、私たちの方法は、深い学習に基づくものを含む、あらゆるセグメンテーションモデルに適用できます。
いくつかの医療イメージングアプリケーションでアプローチを評価します。

要約(オリジナル)

Image segmentation is a challenging task influenced by multiple sources of uncertainty, such as the data labeling process or the sampling of training data. In this paper we focus on binary segmentation and address these challenges using conformal prediction, a family of model- and data-agnostic methods for uncertainty quantification that provide finite-sample theoretical guarantees and applicable to any pretrained predictor. Our approach involves computing nonconformity scores, a type of prediction residual, on held-out calibration data not used during training. We use dilation, one of the fundamental operations in mathematical morphology, to construct a margin added to the borders of predicted segmentation masks. At inference, the predicted set formed by the mask and its margin contains the ground-truth mask with high probability, at a confidence level specified by the user. The size of the margin serves as an indicator of predictive uncertainty for a given model and dataset. We work in a regime of minimal information as we do not require any feedback from the predictor: only the predicted masks are needed for computing the prediction sets. Hence, our method is applicable to any segmentation model, including those based on deep learning; we evaluate our approach on several medical imaging applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google