English(EN) Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

新的高斯过程框架模拟医学图像注释偏差

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 11:14

研究人员开发了一个新的医学图像分割框架，该框架使用随机变分高斯过程来显式建模注释偏差和变异性。这种方法将预测分解为图像依赖分布和注释者特定扰动，从而可以更清晰地分析评分者间变异性如何影响预测分布。在多注释者数据集上的评估表明，与现有的最先进技术相比，该方法提高了不确定性校准并保持了分割精度。学习到的偏差和方差参数可以定量反映个体注释者的行为，并系统地影响预测性能。 AI

影响通过显式建模人类注释变异性，增强了医学人工智能的可解释性和校准性。

排序理由该项目是一篇学术论文，详细介绍了一种新的医学图像分割方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yipeng Hu · 2026-06-22 11:14

Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

Deep learning-based medical image segmentation models are trained using annotations that exhibit systematic bias and variability across raters. While probabilistic multi-rater approaches can emulate annotator-specific delineations, annotator characteristics are typically encoded …

报道来源 [1]

Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

相关实体

相关话题