Uncertainty Estimation for Deep Learning Image Reconstruction using a Local Lipschitz Metric

要約

画像再構成のための深層学習アプローチの使用は、放射線医学において、特に画像に関連する逆問題を解決するアプローチについて、現代的な関心を集めている。展開において、これらのモデルは、データの偏りやドリフトの影響もあり、訓練データから大きくずれた入力分布にさらされることがある。我々は、画像再構成のモデルの不確実性を推定するために使用できる、単一の学習済みモデルから決定される局所リプシッツに基づくメトリックを提案する。局所リプシッツ値と平均絶対誤差の間に単調な関係があることを示し、この方法を用いて、与えられたDL再構成アプローチがタスクによく適していたかどうかを決定する閾値を提供できることを示す。我々の不確実性推定法は、分布外のテストサンプルを特定し、認識論的不確実性に関する情報を関連付け、適切なデータ増強の指針とするために使用することができる。学習された再構成アプローチの不確実性を定量化することは、再構成された画像が診断的に正確であり続けなければならない医療領域において特に適切である。

要約(オリジナル)

The use of deep learning approaches for image reconstruction is of contemporary interest in radiology, especially for approaches that solve inverse problems associated with imaging. In deployment, these models may be exposed to input distributions that are widely shifted from training data, due in part to data biases or drifts. We propose a metric based on local Lipschitz determined from a single trained model that can be used to estimate the model uncertainty for image reconstructions. We demonstrate a monotonic relationship between the local Lipschitz value and Mean Absolute Error and show that this method can be used to provide a threshold that determines whether a given DL reconstruction approach was well suited to the task. Our uncertainty estimation method can be used to identify out-of-distribution test samples, relate information regarding epistemic uncertainties, and guide proper data augmentation. Quantifying uncertainty of learned reconstruction approaches is especially pertinent to the medical domain where reconstructed images must remain diagnostically accurate.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL