模型校准衡量预测的概率估计与真实性可能性之间的一致性。正确的模型校准对于高风险应用至关重要。不幸的是，现代深层神经网络的校准不佳，损害了可信度和可靠性。由于组织边界的自然不确定性，医疗图像分割尤其遭受了这种情况。这对他们的损失功能感到愤怒，这有利于多数级别的过度自信。我们用Domino（一种域感知的模型校准方法）解决了这些挑战，该方法利用了类标签之间的语义混淆性和分层相似性。我们的实验表明，在头部图像分割中，我们受多米诺骨牌校准的深神经网络优于非校准模型和最先进的形态学方法。我们的结果表明，与这些方法相比，我们的方法可以始终如一地实现更好的校准，更高的准确性和更快的推理时间，尤其是在稀有类别上。该性能归因于我们的域知觉正规化，以告知语义模型校准。这些发现表明，班级标签之间语义联系在建立深度学习模型的信心中的重要性。该框架有可能提高通用医学图像分割模型的可信度和可靠性。本文的代码可在以下网址获得：https：//github.com/lab-smile/domino。
translated by 谷歌翻译