提出无监督质量保证引擎诊断牙科X光分割校准盲区
原文：Beyond Ground Truth: A Heuristic Unsupervised Quality Assurance Engine for Diagnosing Calibrational Blindness in Dental Segmentation
在真实临床环境中，使用深度学习方法进行牙科X射线分割存在可靠性问题。即使分割质量很差，深度学习模型也对其预测表现出高置信度（校准盲区）。此外，在实际使用中，医生没有真实标注掩码来检查其准确性。为解决这一问题，我们引入了一个名为HUS-QA的简单质量检查引擎，包含三个阶段。我们在PRAD（根尖周牙科X射线）数据集上训练它，构建SimCLR自监督ResNet-18 U-Net模型，该模型生成分割掩码然后评估其质量。我们的HUS-QA在没有真实标注掩码的情况下检查分割掩码质量。预测置信度、边缘锐度、形状连通性和面积大小惩罚是本研究中考虑的简单指标。结果表明，标准置信度方法失效（r = -0.1394，p = 1.7864e-3，ROC AUC = 0.4275）。相比之下，我们的HUS-QA与实际Dice分数呈正相关（r = 0.4647，p = 3.7510e-28），并达到0.8405的强ROC-AUC。因此，HUS-QA可作为临床质量控制的实用工具。