A POSTERIORI DEEP LEARNING SEGMENTATION QUALITY ESTIMATION BASED ON PREDICTION ENTROPY - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Image Analysis & Stereology Année : 2023

A POSTERIORI DEEP LEARNING SEGMENTATION QUALITY ESTIMATION BASED ON PREDICTION ENTROPY

Estimation de la qualité d'une segmentation par apprentissage profonde basée sur l'entropie de la prédiction

Résumé

Image segmentation is a common intermediate operation in many image processing applications. On automated systems it is important to evaluate how well it, or its subsystems are performing without access to the Ground Truth. In Deep Learning based image segmentation there are very few methods to evaluate the output quality without using a ground truth. Most of them are based on the uncertainty (variance or standard deviation) of the prediction and can be applied to Bayesian Neural Networks, but not to Convolutional Neural Networks. In this research we propose to use the Entropy as a measure of uncertainty applied to the segmented image predicted by the Neural Network and some indicators based on it. The method is tested in a segmentation task of labeled skin images. The entropy based indicators are evaluated without knowing the ground truth and compared with indicators based on the real labels (Jaccard, Dice and Average Symmetrical Surface Distance). This experimentation showed that they are correlated and some Entropy based indicators can predict quite well the ground truth based indicators.
La segmentation d'images est une opération intermédiaire courante dans de nombreuses applications de traitement d'images. Sur les systèmes automatisés, il est important d'évaluer leurs performances, ou celles de leurs sous-systèmes, sans accès à la vérité terrain. Dans la segmentation d'images basée sur le Deep Learning, il existe très peu de méthodes pour évaluer la qualité du résultat sans utiliser une vérité terrain. La plupart d'entre elles sont basées sur l'incertitude (variance ou écart type) de la prédiction et peuvent être appliqués aux réseaux de neurones bayésiens, mais pas aux réseaux de neurones convolutifs. Dans cette recherche, nous proposons d'utiliser l'Entropie comme mesure d'incertitude appliquée à l'image segmentée prédite par le Réseau Neuronal et à certains indicateurs basés sur celle-ci. La méthode est testée dans une tâche de segmentation d’images cutanées étiquetées. Les indicateurs basés sur l'entropie sont évalués sans connaître la vérité terrain et comparés à des indicateurs basés sur les étiquettes réelles (Jaccard, Dice et Average Symmetrical Surface Distance). Cette expérimentation a montré qu'ils sont corrélés et que certains indicateurs basés sur l'entropie peuvent assez bien prédire les indicateurs basés sur la vérité terrain.
Fichier principal
Vignette du fichier
entropy-IAS.pdf (11.63 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04330303 , version 1 (07-12-2023)

Identifiants

  • HAL Id : hal-04330303 , version 1

Citer

José Márcio Martins da Cruz, Mateus Sangalli, Santiago Velasco-Forero, Etienne Decencière, Thérese Baldeweck. A POSTERIORI DEEP LEARNING SEGMENTATION QUALITY ESTIMATION BASED ON PREDICTION ENTROPY. Image Analysis & Stereology, 2023. ⟨hal-04330303⟩
28 Consultations
10 Téléchargements

Partager

Gmail Facebook X LinkedIn More