虽然庞大的文献涉及使用深神经网络(DNN)的图像分割方法,但是已经支付了不太关注,以评估分割结果的统计可靠性。在这项研究中,我们将分割结果解释为由DNN(称为DNN驱动假设)驱动的假设,并提出一种方法,通过该方法来量化统计假设检测框架内这些假设的可靠性。具体而言,我们考虑对象和背景区域之间的差异统计假设试验。这个问题是具有挑战性的,因为由于DNN对数据的改编,差异将是错误的。为了克服这种困难,我们介绍了一个条件选择性推理(SI)框架 - 一个新的统计推理框架,用于数据驱动的假设,最近接受了相当大的关注 - 计算分割的精确(非渐近)有效的p值结果。为了使用基于DNN的分割的条件SI框架,我们开发了一种基于同型方法的新型SI算法,使我们能够导出DNN驱动假设的精确(非渐近)采样分布。我们在合成和现实世界数据集中进行实验,我们提供了证据表明我们所提出的方法可以成功控制错误阳性率,在计算效率方面具有良好的性能,并在应用于医学图像数据时提供良好的结果。
translated by 谷歌翻译