論文の概要: Finding novelty with uncertainty
- arxiv url: http://arxiv.org/abs/2002.04626v1
- Date: Tue, 11 Feb 2020 19:00:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 02:14:07.541496
- Title: Finding novelty with uncertainty
- Title(参考訳): 不確実性を伴う新しさの発見
- Authors: Jacob C. Reinhold, Yufan He, Shizhong Han, Yunqiang Chen, Dashan Gao,
Junghoon Lee, Jerry L. Prince, Aaron Carass
- Abstract要約: 本稿では,健常なCT画像から磁気共鳴画像への変換を学習し,同時にボクセルの知能を推定するベイズ深層学習法を提案する。
本研究では,2種類の不確かさを,確率的不確実性(scibilic uncertainty)と呼ぶ新しい量に組み合わせることで,教師なしの異常セグメンテーションタスクに関する実験結果を示す。
- 参考スコア(独自算出の注目度): 7.565565370757736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical images are often used to detect and characterize pathology and
disease; however, automatically identifying and segmenting pathology in medical
images is challenging because the appearance of pathology across diseases
varies widely. To address this challenge, we propose a Bayesian deep learning
method that learns to translate healthy computed tomography images to magnetic
resonance images and simultaneously calculates voxel-wise uncertainty. Since
high uncertainty occurs in pathological regions of the image, this uncertainty
can be used for unsupervised anomaly segmentation. We show encouraging
experimental results on an unsupervised anomaly segmentation task by combining
two types of uncertainty into a novel quantity we call scibilic uncertainty.
- Abstract(参考訳): 医用画像は疾患や疾患の検出・特徴付けによく用いられるが, 疾患にまたがる病理の出現が多岐にわたるため, 自動的に診断・分類が困難である。
この課題に対処するために,健常なCT画像から磁気共鳴画像への変換を学習し,同時にボクセルによる不確実性を計算するベイズディープラーニング手法を提案する。
画像の病理領域に高い不確かさが生じるため、この不確実性は教師なしの異常分割に使用できる。
そこで本研究では,2種類の不確かさをscibilic uncertaintyと呼ばれる新しい量に組み合わせることにより,教師なしの異常分割タスクにおける実験結果を奨励する。
関連論文リスト
- Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。
提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。
医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文 参考訳(メタデータ) (2024-01-19T11:35:07Z) - Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。
小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。
この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文 参考訳(メタデータ) (2023-09-22T14:02:22Z) - Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-09-06T19:19:41Z) - Disentangled Uncertainty and Out of Distribution Detection in Medical
Generative Models [7.6146285961466]
医療領域における画像翻訳作業における画像の不確実性について検討した。
我々はCycleGANを用いて、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換する。
論文 参考訳(メタデータ) (2022-11-11T14:45:16Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Label uncertainty-guided multi-stream model for disease screening [17.633322372675572]
本稿では,サーバ内変動を不確実性問題とみなし,ラベルの不確実性情報をガイダンスとして組み込んで最終決定を改善する。
主な考え方は、画像を不確実性情報によって単純で難しいケースに分割し、異なるケースを別々に扱うマルチストリームネットワークを開発することである。
基礎画像を用いた緑内障検診ケーススタディの実験により, 提案モデルは, 特にハードケース検診において, いくつかの基準線より優れていることが示された。
論文 参考訳(メタデータ) (2022-01-28T12:53:18Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳(メタデータ) (2021-11-26T13:47:34Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-28T14:56:45Z) - Quantifying and Leveraging Predictive Uncertainty for Medical Image
Assessment [13.330243305948278]
本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。
我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。
本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
論文 参考訳(メタデータ) (2020-07-08T16:47:55Z) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-23T18:45:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。