Mask-TS Net: Mask Temperature Scaling Uncertainty Calibration for Polyp Segmentation

要約

医療画像における一般的なキャリブレーション方法の多くは分類に焦点を当てていますが、セマンティック セグメンテーションに関する同等の研究はほとんどありません。
医療画像のポリープのセグメンテーションでは、ほとんどの病変領域が画像全体のほんの一部しか占めていないことがわかり、その結果、以前のモデルは予期されるキャリブレーション誤差 (ECE) がより優れているように見えたにもかかわらず、病変領域については十分にキャリブレーションされておらず、背景については十分にキャリブレーションされていました。
）全体的なスコア。
したがって、背景干渉の影響を軽減するために、潜在的な病変領域内のロジットのスケーリングにさらに焦点を当てるために、マスクロスおよびマスクTS戦略を備えた4ブランチキャリブレーションネットワークを提案しました。
実験では、既存のキャリブレーション方法と提案されたマスク温度スケーリング (Mask-TS) を比較します。
結果は、提案された校正ネットワークが他の方法よりも定性的および定量的に優れていることを示しています。

要約(オリジナル)

Lots of popular calibration methods in medical images focus on classification, but there are few comparable studies on semantic segmentation. In polyp segmentation of medical images, we find most diseased area occupies only a small portion of the entire image, resulting in previous models being not well-calibrated for lesion regions but well-calibrated for background, despite their seemingly better Expected Calibration Error (ECE) scores overall. Therefore, we proposed four-branches calibration network with Mask-Loss and Mask-TS strategies to more focus on the scaling of logits within potential lesion regions, which serves to mitigate the influence of background interference. In the experiments, we compare the existing calibration methods with the proposed Mask Temperature Scaling (Mask-TS). The results indicate that the proposed calibration network outperforms other methods both qualitatively and quantitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google