Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Borges, Bruno Laboissiere Camargos
Orientador(a): Silva, Danilo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/265183
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
id UFSC_48f78bca7cc4602a5d36227950772bb2
oai_identifier_str oai:repositorio.ufsc.br:123456789/265183
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaBorges, Bruno Laboissiere CamargosSilva, Danilo2025-05-19T23:27:45Z2025-05-19T23:27:45Z2025391804https://repositorio.ufsc.br/handle/123456789/265183Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.O avanço do aprendizado profundo consolidou a segmentação semântica como técnica crucial na análise de imagens médicas, permitindo a delimitação precisa de estruturas anatômicas e a extração de regiões de interesse para diagnóstico e planejamento terapêutico. Contudo, a variabilidade dos dados, a complexidade dos contornos e a presença de ruídos impõem desafios à confiabilidade das predições, especialmente em contextos críticos, onde o erro deve ser minimizado.Nesse cenário, a predição seletiva torna-se uma estratégia eficaz, uma vez que possibilita a redução de erros por meio da abstenção de predições quando a confiança sobre a predição do modelo é insuficiente, aumentando assim a segurança dos resultados. Diante disso, este trabalho propõe a formulação de uma predição seletiva em nível de imagem para a segmentação semântica, permitindo que modelos já treinados e fixos se abstenham de gerar segmentações quando estimadores de confiaça apontam valores abaixo do aceitável. Para isso, fundamentamos a abordagem na métrica Dice, amplamente utilizada na avaliação de segmentações médicas, e apresentamos o estimador de confiança Soft Dice Confidence (SDC), cuja formulação também se baseia nessa métrica. Os experimentos realizados em diversos cenários demonstram que o SDC, em geral, supera outros estimadores de confiança post-hoc propostos na literatura. Além disso, o SDC se configura como uma solução prática para qualquer modelo, pois depende apenas do acesso às predições precomputadas, e revela-se eficaz na melhoria dos sistemas de predição seletiva em segmentação semântica. Essa abordagem é particularmente relevante para aplicações críticas em imagens médicas, uma vez que contribui para a redução dos riscos e o aumento da confiabilidade das predições.Abstract: The advancement of deep learning has established semantic segmentation as a crucial technique in medical image analysis, enabling the precise delineation of anatomical structures and the extraction of regions of interest for diagnosis and therapeutic planning. However, data variability, contour complexity, and the presence of noise pose significant challenges to prediction reliability, particularly in critical contexts where errors must be minimized. In this scenario, selective prediction emerges as an effective strategy by reducing errors through the abstention from predictions when the model's confidence is insufficient, thereby enhancing the safety of the results. In light of these challenges, this work proposes the formulation of image-level selective prediction for semantic segmentation, allowing pre-trained and fixed models to refrain from generating segmentations when confidence estimators indicate values below an acceptable threshold. To achieve this, our approach is based on the Dice metric, widely used in the evaluation of medical segmentations, and we introduce the Soft Dice Confidence (SDC) confidence estimator, which is also grounded in this metric. Experiments conducted in various scenarios demonstrate that the SDC generally outperforms other post-hoc confidence estimators proposed in the literature. Moreover, the SDC represents a practical solution for any model, as it relies solely on access to precomputed predictions, and it proves effective in enhancing selective prediction systems in semantic segmentation. This approach is particularly relevant for critical applications in medical imaging, as it contributes to reducing risks and increasing the reliability of predictions.72 p.| il., tabs.engEngenharia elétricaAprendizado profundo (aprendizado do computador)Confiabilidade (Engenharia)PrediçãoPost-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2229-D.pdfPEEL2229-D.pdfapplication/pdf3033640https://repositorio.ufsc.br/bitstream/123456789/265183/-1/PEEL2229-D.pdf8fedc8fe9a431a45176bfefe1879ea34MD5-1123456789/2651832025-05-19 20:27:46.026oai:repositorio.ufsc.br:123456789/265183Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732025-05-19T23:27:46Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
title Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
spellingShingle Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
Borges, Bruno Laboissiere Camargos
Engenharia elétrica
Aprendizado profundo (aprendizado do computador)
Confiabilidade (Engenharia)
Predição
title_short Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
title_full Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
title_fullStr Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
title_full_unstemmed Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
title_sort Post-hoc confidence estimation for image-level selective prediction in semantic segmentation using deep neural networks
author Borges, Bruno Laboissiere Camargos
author_facet Borges, Bruno Laboissiere Camargos
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Borges, Bruno Laboissiere Camargos
dc.contributor.advisor1.fl_str_mv Silva, Danilo
contributor_str_mv Silva, Danilo
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Aprendizado profundo (aprendizado do computador)
Confiabilidade (Engenharia)
Predição
topic Engenharia elétrica
Aprendizado profundo (aprendizado do computador)
Confiabilidade (Engenharia)
Predição
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-05-19T23:27:45Z
dc.date.available.fl_str_mv 2025-05-19T23:27:45Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/265183
dc.identifier.other.none.fl_str_mv 391804
identifier_str_mv 391804
url https://repositorio.ufsc.br/handle/123456789/265183
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 72 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/265183/-1/PEEL2229-D.pdf
bitstream.checksum.fl_str_mv 8fedc8fe9a431a45176bfefe1879ea34
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759292167749632

Registros relacionados