Aprendizaje profundo de múltiples tareas con incertidumbre triplete para la segmentación y predicción de invasión microvascular del carcinoma hepatocelular

El aprendizaje de múltiples tareas ha sido ampliamente utilizado para la segmentación y clasificación conjunta de tumores. Se ha investigado la estimación de incertidumbre del coeficiente de peso de subtareas en el aprendizaje de múltiples tareas. Sin embargo, debido a la presencia de ruido en la imagen médica, la incertidumbre de los datos afectará el rendimiento del aprendizaje de múltiples tareas. Además, no se ha realizado una estimación de incertidumbre del modelo para el aprendizaje de múltiples tareas. En este trabajo, proponemos una incertidumbre triplete en una red de aprendizaje profundo de múltiples tareas (TU-MTL), considerando simultáneamente la estimación de incertidumbre del coeficiente de peso de subtareas, la estimación de incertidumbre de datos y la estimación de incertidumbre del modelo. Los resultados experimentales del carcinoma hepatocelular clínico (HCC) demuestran la efectividad del método propuesto.