Sparse Bayesian Networks: Effiziente Unsicherheitsquantifizierung in der medizinischen Bildanalyse

Die effiziente Quantifizierung der prognostischen Unsicherheit in medizinischen Bildern bleibt eine Herausforderung. Während Bayesianische neuronale Netzwerke (BNN) prognostische Unsicherheit bieten, erfordern sie erhebliche Rechenressourcen für das Training. Obwohl bayesianische Approximationen wie Ensembles vielversprechend sind, leiden sie weiterhin unter hohen Trainings- und Inferenzkosten. Bestehende Ansätze befassen sich hauptsächlich mit den Kosten der BNN-Inferenz nach dem Training, mit wenig Fokus auf die Verbesserung der Trainigseffizienz und die Reduzierung der Parameterkomplexität. Diese Studie stellt ein Trainingsverfahren für ein spärliches (partielles) bayesianisches Netzwerk vor. Unser Verfahren weist selektiv eine Teilmenge von Parametern als bayesianisch zu, indem es ihre deterministische Bedeutung durch Gradientensensitivitätsanalyse bewertet. Das resultierende Netzwerk kombiniert deterministische und bayesianische Parameter und nutzt die Vorteile beider Darstellungen, um eine hohe spezifische Leistung bei Aufgaben zu erreichen und die prognostische Unsicherheit zu minimieren. Demonstriert auf multi-label ChestMNIST für die Klassifikation und ISIC, LIDC-IDRI für die Segmentierung, erreicht unser Ansatz wettbewerbsfähige Leistung und Schätzung der prognostischen Unsicherheit, indem die bayesianischen Parameter um über 95 % reduziert werden, was die Rechenkosten im Vergleich zu vollständig bayesianischen und Ensemble-Methoden erheblich senkt.