Discriminative convolutional neural networks (CNNs), for which a voxel-wise conditional Multinoulli distribution is assumed, have performed well in many brain lesion segmentation tasks. For a trained discriminative CNN to be used in clinical practice, the patient's radiological features are inputted into the model, in which case a conditional distribution of segmentations is produced. Capturing the uncertainty of the predictions can be useful in deciding whether to abandon a model, or choose amongst competing models. In practice, however, we never know the ground truth segmentation, and therefore can never know the true model variance. In this work, segmentation sampling on discriminative CNNs is used to assess a trained model's robustness by analyzing the inter-sample dice distribution on a new patient solely based on their magnetic resonance (MR) images. Furthermore, by demonstrating the inter-sample Dice observations are independent and identically distributed with a finite mean and variance under certain conditions, a rigorous confidence based decision rule is proposed to decide whether to reject or accept a CNN model for a particular patient. Applied to the ISLES 2015 (SISS) dataset, the model identified 7 predictions as non-robust, and the average Dice coefficient calculated on the remaining brains improved by 12 percent.


翻译:诊断性神经神经网络(CNNs)在很多脑损伤分化任务中表现良好。为了在临床实践中使用训练有素的有区别的CNN, 将病人的放射特征输入模型, 从而产生有条件的分化分布。 掌握预测的不确定性有助于决定是否放弃模型, 或选择相互竞争的模式。 然而,在实践中, 我们从来不知道地面真实分化, 因此永远无法知道真正的模型差异。 在这项工作中, 歧视型CNNs的分化抽样抽样用于评估经过训练的模式的强度, 分析新病人的跨模版分布, 仅以磁共振图像为基础。 此外, 通过展示相模组观察是独立的, 与某些条件下的有限平均平均值和差异分布相同。 以信心为基础的严格决策规则是, 决定是否拒绝或接受特定病人的CNN模型。 使用有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别。 在这次工作中, 使用有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别的有区别, 用于评估经过训练的模型的模型的模型的强度, 评估,, 仅仅间分布间分布的分布的分布 仅仅,,, 以 以 以 以 以 以 以 以 12 以 IS 12 的 的 的 等 的 的 的 的 等 的 的 的 的 的 等 的 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等 等

0
下载
关闭预览

相关内容

专知会员服务
162+阅读 · 2020年1月16日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关VIP内容
专知会员服务
162+阅读 · 2020年1月16日
相关资讯
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员