1.13论文速递

《A Dempster-Shafer approach to trustworthy AI with application to fetal brain MRI segmentation》

可信AI的Dempster-Shafer方法及在胎儿脑MRI分割中的应用

单位： 伦敦国王学院, 鲁汶大学附属医院, 慕尼黑工业大学, 苏黎世大学医学院等

论文链接：https://arxiv.org/pdf/2204.02779.pdf

本文提出一个可信人工智能理论框架和一个实用系统，可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何backbone人工智能系统，并在最大的胎儿大脑 MRI 分割数据集上验证了有效性。

对于病理病例和在与训练图像不同的中心获取的图像，用于医学图像分割的深度学习模型可能会意外地失败，并出现违反专家知识的标记错误。此类错误破坏了医学图像分割深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术应用于临床至关重要，并且可能是未来人工智能 (AI) 法规的要求。 在这项工作中，我们提出了一个可信人工智能理论框架和一个实用的系统，可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干人工智能系统。 我们的方法依赖于可信赖人工智能的可行定义。 我们的方法自动丢弃由骨干人工智能预测的体素级标记，这些标记违反了专家知识并依赖于这些体素的后备。 我们在报告的最大胎儿 MRI 注释数据集上证明了所提出的值得信赖的 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。 我们值得信赖的人工智能方法提高了最先进的骨干人工智能的稳健性，适用于在各个中心获取的胎儿大脑 MRI 以及患有各种大脑异常的胎儿。

《Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification》

基于多示例学习的WSI分类的伪袋混合增强

单位：电子科技大学, 四川大学华西医院

论文链接：https://arxiv.org/pdf/2306.16180.pdf

即插即用！PseMix：一种新的伪袋混合数据增强方案，可以改进基于多示例学习(MIL)的WSI分类模型的性能，还可以提升泛化性和鲁棒性！

鉴于gigapixel 图像建模的特殊情况，多示例学习（MIL）已成为WSI分类最重要的框架之一。 在当前实践中，大多数MIL网络在训练中经常面临两个不可避免的问题：i）WSI数据不足和ii）神经网络固有的样本记忆倾向。 这些问题可能会阻碍MIL模型充分有效的训练，抑制WSI上分类模型的持续性能提升。 受Mixup基本思想的启发，本文提出了一种新的伪袋混合（PseMix）数据增强方案来改进MIL模型的训练。 该方案通过伪袋将一般图像的 Mixup 策略推广到特殊的 WSI，从而应用于基于 MIL 的WSI 分类。 在伪袋的配合下，我们的 PseMix 实现了 Mixup 策略中的关键尺寸对齐和语义对齐。 此外，它被设计为一种高效、解耦的方法，既不涉及耗时的操作，也不依赖于 MIL 模型预测。 比较实验和消融研究是专门为评估我们的 PseMix 的有效性和优势而设计的。 实验结果表明，PseMix 通常可以帮助最先进的 MIL 网络刷新其在 WSI 上的分类性能。 此外，它还可以提高MIL模型在特殊测试场景中的泛化性能，并提高其对patch遮挡和标签噪声的鲁棒性。