Fugu-MT 論文翻訳(概要): Validating uncertainty in medical image translation

論文の概要: Validating uncertainty in medical image translation

arxiv url: http://arxiv.org/abs/2002.04639v1
Date: Tue, 11 Feb 2020 19:06:54 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 02:13:52.765076
Title: Validating uncertainty in medical image translation
Title（参考訳）: 医用画像翻訳における不確かさの検証
Authors: Jacob C. Reinhold, Yufan He, Shizhong Han, Yunqiang Chen, Dashan Gao, Junghoon Lee, Jerry L. Prince, Aaron Carass
Abstract要約: 我々は,CT-to-MR画像翻訳タスクにおける不確実性を推定するためにドロップアウトを用いて検討する。いずれのタイプの不確実性も、定義した通りに捕捉され、出力の不確実性推定の信頼性が得られることを示す。
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 increasingly used as input to deep neural networks to produce quantitative values that aid researchers and clinicians. However, standard deep neural networks do not provide a reliable measure of uncertainty in those quantitative values. Recent work has shown that using dropout during training and testing can provide estimates of uncertainty. In this work, we investigate using dropout to estimate epistemic and aleatoric uncertainty in a CT-to-MR image translation task. We show that both types of uncertainty are captured, as defined, providing confidence in the output uncertainty estimates.
Abstract（参考訳）: 医療画像は、研究者や臨床医を助ける定量的な価値を生み出すために、ディープニューラルネットワークへの入力としてますます使われる。しかし、標準のディープニューラルネットワークは、それらの量的値における不確かさの信頼できる尺度を提供していない。最近の研究で、トレーニングとテストでドロップアウトを使用することで、不確実性の推定が可能になることが示されている。そこで本研究では,CT-to-MR画像翻訳タスクにおいて,ドロップアウトを用いてててんかんおよびアラート的不確かさを推定する。両タイプの不確実性は、定義通り、出力の不確実性推定の信頼性を提供する。

関連論文リスト

One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文参考訳（メタデータ） (2023-12-16T14:59:11Z)
Uncertainty in Natural Language Processing: Sources, Quantification, and Applications [56.130945359053776]
NLP分野における不確実性関連作業の総合的なレビューを行う。まず、自然言語の不確実性の原因を、入力、システム、出力の3つのタイプに分類する。我々は,NLPにおける不確実性推定の課題について論じ,今後の方向性について論じる。
論文参考訳（メタデータ） (2023-06-05T06:46:53Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
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)
Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust [1.1199585259018459]
ディープニューラルネットワークは、3D医療画像の自動セグメンテーションにおけるゴールドスタンダードのアプローチとなっている。本研究では,革新的なグラフニューラルネットワークアプローチを用いて,ボクセルによる評価を超えることを提案する。このネットワークは、エントロピー、分散、モデルの信頼という、ボクセルの不確実性の3つの推定器の融合を可能にする。
論文参考訳（メタデータ） (2022-09-22T09:20:05Z)
Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文参考訳（メタデータ） (2022-02-25T12:20:04Z)
Confidence Aware Neural Networks for Skin Cancer Detection [12.300911283520719]
画像からの皮膚癌検出における不確かさを定量化する3つの方法を提案する。その結果, 予測不確実性推定手法は, リスクや誤予測を予測できることがわかった。また、アンサンブルアプローチは推論によって不確実性を捉える上でより信頼性が高いことを示す。
論文参考訳（メタデータ） (2021-07-19T19:21:57Z)
Understanding Softmax Confidence and Uncertainty [95.71801498763216]
トレーニング分布から遠く離れたデータで予測する場合、ニューラルネットワークは不確実性を高めることができない、という指摘がしばしばある。しかし、不確実性のプロキシとしてソフトマックスの信頼性を生かして、このためにのみテストするタスクにおいて、控えめな成功を達成します。本稿では,この矛盾を解明し,ソフトマックスの信頼度と不確実性との相関を助長する2つの暗黙バイアスを同定する。
論文参考訳（メタデータ） (2021-06-09T10:37:29Z)
Objective Evaluation of Deep Uncertainty Predictions for COVID-19 Detection [15.036447340859546]
ディープニューラルネットワーク(DNN)は、医療画像におけるCOVID-19の検出に広く適用されています。胸部X線(CXR)画像を用いた3つの不確実性定量化手法の適用と評価を行った。
論文参考訳（メタデータ） (2020-12-22T05:43:42Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior [2.0303656145222857]
深層学習による逆医用画像タスクの不確実性はほとんど注目されていない。大規模なデータセットでトレーニングされた深層モデルは、存在しない再建されたアウトプットに幻覚を与え、アーティファクトを生成する傾向がある。我々は、再構成された画像のパラメータ化としてランダムに畳み込みネットワークを使用し、より深い画像と呼ばれる観測に一致させるために勾配降下を行う。
論文参考訳（メタデータ） (2020-08-20T08:34:51Z)

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。