DOMINO: Domain-aware Model Calibration in Medical Image Segmentation

要約

モデルのキャリブレーションは、予測された確率推定値と真の正確性の可能性との間の一致を測定します。
リスクの高いアプリケーションでは、適切なモデルのキャリブレーションが不可欠です。
残念ながら、最新のディープ ニューラル ネットワークは調整が不十分であり、信頼性と信頼性が損なわれています。
医用画像のセグメンテーションは、組織境界の自然な不確実性により、特にこれに悩まされます。
これは、大多数のクラスで過信を助長する損失関数によって憤慨しています。
クラス ラベル間のセマンティックな混同性と階層的類似性を活用するドメイン認識モデル キャリブレーション メソッドである DOMINO を使用して、これらの課題に対処します。
私たちの実験は、DOMINO で調整されたディープ ニューラル ネットワークが、調整されていないモデルや頭部画像セグメンテーションにおける最先端の形態計測手法よりも優れていることを示しています。
私たちの結果は、特にまれなクラスでは、これらの方法よりも一貫して、これらの方法よりも優れたキャリブレーション、高精度、および高速な推論時間を達成できることを示しています。
このパフォーマンスは、セマンティック モデルのキャリブレーションを通知するためのドメイン認識正則化によるものです。
これらの調査結果は、ディープ ラーニング モデルの信頼性を構築する上で、クラス ラベル間のセマンティックなつながりが重要であることを示しています。
このフレームワークには、一般的な医療画像セグメンテーション モデルの信頼性と信頼性を向上させる可能性があります。
この記事のコードは、https://github.com/lab-smile/DOMINO で入手できます。

要約(オリジナル)

Model calibration measures the agreement between the predicted probability estimates and the true correctness likelihood. Proper model calibration is vital for high-risk applications. Unfortunately, modern deep neural networks are poorly calibrated, compromising trustworthiness and reliability. Medical image segmentation particularly suffers from this due to the natural uncertainty of tissue boundaries. This is exasperated by their loss functions, which favor overconfidence in the majority classes. We address these challenges with DOMINO, a domain-aware model calibration method that leverages the semantic confusability and hierarchical similarity between class labels. Our experiments demonstrate that our DOMINO-calibrated deep neural networks outperform non-calibrated models and state-of-the-art morphometric methods in head image segmentation. Our results show that our method can consistently achieve better calibration, higher accuracy, and faster inference times than these methods, especially on rarer classes. This performance is attributed to our domain-aware regularization to inform semantic model calibration. These findings show the importance of semantic ties between class labels in building confidence in deep learning models. The framework has the potential to improve the trustworthiness and reliability of generic medical image segmentation models. The code for this article is available at: https://github.com/lab-smile/DOMINO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google