3D医学图像分割不确定性模型入门指南：从理论到PyTorch实战

1次阅读

共计 1574 个字符，预计需要花费 4 分钟才能阅读完成。

想象一位放射科医生正在查看肺部 CT 扫描的 AI 分割结果。模型将炎症区域误标为肿瘤（假阳性），而系统却显示 90% 置信度。这种 ” 过度自信 ” 的预测可能导致不必要的活检——这正是不确定性建模要解决的核心问题。医疗 AI 不仅需要输出分割结果，还应明确告知 ” 这个预测有多可靠 ”。

Monte Carlo Dropout (MC Dropout)
原理：在推理时保持 Dropout 激活，通过 T 次前向传播获得概率分布
优势：无需修改网络结构，计算成本 O(T)
劣势：低估不确定性，需精心调整 Dropout 率
Deep Ensembles
原理：训练多个独立模型，统计预测差异
优势：估计最准确，可捕获认知不确定性
劣势：训练成本高，存储 N 倍模型参数
Bayesian Neural Networks
原理：为权重引入概率分布
优势：理论最完备
劣势：实现复杂，训练收敛困难

临床首选方案：MC Dropout 在精度与效率间取得最佳平衡，尤其适合 3D 医学图像场景。

import torch
import torch.nn as nn

class MC_Dropout3D_UNet(nn.Module):
    def __init__(self, dropout_p=0.3):
        super().__init__()
        # 编码器部分示例（实际需完整实现 U -Net）self.encoder = nn.Sequential(nn.Conv3d(1, 32, kernel_size=3, padding=1),
            nn.Dropout3d(p=dropout_p),  # 关键修改点
            nn.ReLU(),
            nn.MaxPool3d(2)
        )
        # 解码器等其他层...

    def forward(self, x):
        # 保持 train 模式以启用 Dropout
        if self.training == False:
            self.train()
        return self.encoder(x)

多次采样（建议 T =50 次）

def mc_predict(model, input_, T=50):
    outputs = torch.stack([model(input_) for _ in range(T)])  # [T,C,D,H,W]
    return outputs

计算体素级方差

def compute_uncertainty(outputs):
    mean = outputs.mean(dim=0)      # [C,D,H,W]
    std = outputs.std(dim=0)        # 不确定性热力图
    return mean.argmax(dim=0), std  # 返回分割结果 + 不确定性