Uncertainty-aware Evidential Fusion-based Learning for Semi-supervised Medical Image Segmentation

要約

既存の不確実性に基づく半教師あり医療セグメンテーション手法は優れたパフォーマンスを達成していますが、通常は単一の不確実性評価のみを考慮しており、信頼性に関連する問題を完全に解決できないことがよくあります。
したがって、この論文は、証拠深層学習のフレームワークに基づいて、混合サンプルと元のサンプルのクロス領域における証拠予測結果を統合して、各ボクセルの信頼度と不確実性尺度を再割り当てします。これは、確率割り当ての不確実な情報を強調することによって実現されます。
伝統的な証拠理論の融合ルール。
さらに、情報エントロピーを導入して融合不確実性尺度と組み合わせてボクセルレベルの漸近学習戦略を設計し、ボクセル予測をより正確に推定します。
モデルは学習プロセスにおいて不確実性の高い予測結果に徐々に注意を払い、習得が難しい特徴を学習します。
LA、膵臓-CT、ACDC、TBAD データセットの実験結果は、既存の最先端技術と比較して、提案した方法の優れたパフォーマンスを示しています。

要約(オリジナル)

Although the existing uncertainty-based semi-supervised medical segmentation methods have achieved excellent performance, they usually only consider a single uncertainty evaluation, which often fails to solve the problem related to credibility completely. Therefore, based on the framework of evidential deep learning, this paper integrates the evidential predictive results in the cross-region of mixed and original samples to reallocate the confidence degree and uncertainty measure of each voxel, which is realized by emphasizing uncertain information of probability assignments fusion rule of traditional evidence theory. Furthermore, we design a voxel-level asymptotic learning strategy by introducing information entropy to combine with the fused uncertainty measure to estimate voxel prediction more precisely. The model will gradually pay attention to the prediction results with high uncertainty in the learning process, to learn the features that are difficult to master. The experimental results on LA, Pancreas-CT, ACDC and TBAD datasets demonstrate the superior performance of our proposed method in comparison with the existing state of the arts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google