Influence of uncertainty estimation techniques on false-positive reduction in liver lesion detection

要約

深層学習技術は、医用画像内のオブジェクトの検出に成功していることを示していますが、それでも正確な診断を妨げる可能性のある誤検出の予測に悩まされています。
ニューラルネットワーク出力の推定された不確実性は、誤った予測にフラグを立てるために使用されています。
ニューラルネットワークの不確実性推定から計算された特徴と、バイナリ予測から計算された形状ベースの特徴が、さまざまな不確実性推定方法の分類ベースの後処理ステップを開発することにより、肝病変検出の誤検出を減らす役割を果たします。
それぞれ腹部MRおよびCT画像を含む2つのデータセットのすべての不確実性推定方法について、ニューラルネットワークの病変検出パフォーマンスの向上を示します（F1スコアに関して）。
ニューラルネットワークの不確実性の推定値から計算された特徴は、誤検知の削減にあまり貢献しない傾向があることを示します。
私たちの結果は、クラスの不均衡（偽陽性率に対する真）や不確実性マップから抽出された形状ベースの特徴などの要因が、偽陽性と真陽性の予測を区別する上で重要な役割を果たすことを示しています

要約(オリジナル)

Deep learning techniques show success in detecting objects in medical images, but still suffer from false-positive predictions that may hinder accurate diagnosis. The estimated uncertainty of the neural network output has been used to flag incorrect predictions. We study the role played by features computed from neural network uncertainty estimates and shape-based features computed from binary predictions in reducing false positives in liver lesion detection by developing a classification-based post-processing step for different uncertainty estimation methods. We demonstrate an improvement in the lesion detection performance of the neural network (with respect to F1-score) for all uncertainty estimation methods on two datasets, comprising abdominal MR and CT images respectively. We show that features computed from neural network uncertainty estimates tend not to contribute much toward reducing false positives. Our results show that factors like class imbalance (true over false positive ratio) and shape-based features extracted from uncertainty maps play an important role in distinguishing false positive from true positive predictions

arxiv情報

提供元, 利用サービス

arxiv.jp, Google