基于不确定性的相互学习 用于联合医学图像分类和分割

Uncertainty-Informed Mutual Learning for Joint Medical Image Classification and Segmentation

摘要

该论文提出了一种基于不确定性的相互学习(Uncertainty-informed Mutual Learning, UML)框架,用于可靠和可解释的医学图像分析。

1. 当前的医学图像分类和分割方法往往更注重相互学习特征和共享模型参数,而忽视了特征和性能的可靠性。UML框架通过引入不确定性因素,利用相互学习来提高分类和分割任务的性能。

2. 使用证据深度学习提供图像级和像素级的置信度。然后构建一个不确定性导航器,更好地利用相互特征并生成分割结果。此外,还提出了一个不确定性指导器,用于筛选出可靠的分类掩码。

代码地址

方法

1. 首先通过证据深度学习方法,为分类和分割任务分别提供图像级和像素级的不确定性估计。
2. 使用提出的不确定性导航器(UN)充分利用像素级不确定性作为分割的指导。
3. 引入不确定性指导器(UI)来过滤特征流在任务间的交互。
   

实验结果