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

要約

ディープ ラーニング技術は、医療画像内のオブジェクトの検出に成功していますが、正確な診断を妨げる可能性のある偽陽性の予測にまだ悩まされています。
ニューラル ネットワークの出力の推定不確実性は、誤った予測にフラグを立てるために使用されています。
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、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果たす役割を研究して、肝病変の検出における偽陽性を減らします。
腹部 MR 画像と CT 画像をそれぞれ含む 2 つのデータセットに対する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性能 (F1 スコアに関して) の改善を示します。
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機能は、誤検知の削減にはあまり寄与しない傾向があることを示しています。
私たちの結果は、クラスの不均衡（偽陽性に対する真の比率）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。
コードは https://github.com/ishaanb92/FCPPipeline にあります。

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. Our code can be found at https://github.com/ishaanb92/FPCPipeline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google