返回
Variational Visible Layers: A Practical Framework for Uncertainty Estimation
DOI:10.1007/978-3-032-05185-1_64.png)
摘要
En 中文
不确定性估计对于医学成像中的可靠决策至关重要。现有最先进的不确定性方法需要大量的计算开销和复杂的建模。本研究提出并探索了一种简单有效的方法,通过将第一层和/或最后一层(可见层)替换为其变分贝叶斯对应层,将贝叶斯不确定性整合到确定性网络中。这种轻量级修改能够通过平均场变分估计实现不确定性量化,使其适用于实际医学应用。我们在ISIC和LIDC-IDRI数据集上进行分割任务评估,在DermaMNIST和ChestMNIST数据集上进行分类任务评估,分别采用事后和联合训练的可见层。结果表明,变分可见层能够基于不确定性进行失效检测,适用于分布内和近分布外样本,在保持任务性能的同时减少了贝叶斯估计所需的变分参数数量。我们提供了一种易于实现的解决方案,用于将不确定性估计整合到现有工作流中。
Keyword:
Uncertainty
Mean-Field Variational Inference
Bayesian
Neural Networks
Classification
Segmentation
期刊
机构
引用论文
A review of uncertainty quantification in medical image analysis: Probabilistic and non-probabilistic methods医学图像分析中不确定性量化的综述: 概率和非概率方法
MEDICAL IMAGE ANALYSIS
IF11.8
The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository癌症影像档案 (TCIA): 维护和运营公共信息库
A review of uncertainty quantification in deep learning: Techniques, applications and challenges深度学习中的不确定性量化: 技术、应用与挑战
INFORMATION FUSION
IF15.5
MedMNIST v2 - A large-scale lightweight benchmark for 2D and 3D biomedical image classificationMedMNIST v2-用于2D和3D生物医学图像分类的大规模轻量级基准

