На пути к надежной сегментации WMH в рамках перераспределения доменов: прикладное исследование с использованием максимального регулирования энтропии для улучшения оценки неопределенности.

СПРАВОЧНАЯ ИНФОРМАЦИЯ: Точная сегментация гиперинтенсивности белой материи (WMH) имеет решающее значение для принятия клинических решений, особенно в контексте множественного склероза. Однако изменения в домене, такие, как вариации в типах машин МРТ или параметрах приобретения, создают значительные проблемы для калибровки моделей и оценки неопределенности. В этом сравнительном исследовании анализируется влияние изменения домена на сегментацию ВМГ, и в нем предлагаются методы максимального регулирования в целях улучшения калибровки моделей и оценки неопределенности. Цель заключается в выявлении ошибок, возникающих после внедрения моделей в клинических сценариях, с использованием прогнозной неопределенности в качестве косвенной меры, поскольку она не требует расчета наземной маркировки. МЕТОДЫ: Мы провели эксперименты с использованием классической архитектуры U-Net и провели оценку схем максимального регулирования энтропии в целях совершенствования калибровки моделей в рамках перераспределения доменов на двух общедоступных наборах данных: вызов сегментации WMH и набор данных 3D-MR-MS. Эффективность оценивается с помощью коэффициента Dice, расстояния Хаусдорфа, ожидаемой погрешности калибровки и оценок неопределенности на основе энтропии.Результаты: Оценки неопределенности на основе энтропии могут предвосхищать ошибки в сегментации, как внутрираспределительные, так и нераспределенные, при этом максимально допустимая регуляция еще более усиливает корреляцию между неопределенностью и динамикой сегментации, а также улучшает калибровку моделей в рамках перераспределения доменов. ВЫВОДЫ: Регулирование максимальной чувствительности позволяет улучшить оценку неопределенности для сегментации ВМГ в рамках перераспределения доменов. Укрепляя взаимосвязь между прогнозируемой неопределенностью и ошибками сегментации, эти методы позволяют моделям лучше отражать ненадежные прогнозы, не требуя аннотаций на местах. Кроме того, максимально упорядоченная разработка моделей способствует улучшению калибровки моделей, поддерживая более надежное и безопасное внедрение моделей глубокого обучения в многоцентровой и неоднородной клинической среде.