Fugu-MT 論文翻訳(概要): Finding novelty with uncertainty

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

FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文参考訳（メタデータ） (2024-10-29T21:37:03Z)
Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2024-05-21T15:41:34Z)
MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。本稿では,比較を統一したベンチマークを構築した。
論文参考訳（メタデータ） (2024-04-06T06:18:11Z)
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)
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)
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)
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。