論文の概要: Uncertainty Estimation in Deep 2D Echocardiography Segmentation
- arxiv url: http://arxiv.org/abs/2005.09349v1
- Date: Tue, 19 May 2020 10:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 14:17:36.923390
- Title: Uncertainty Estimation in Deep 2D Echocardiography Segmentation
- Title（参考訳）: 深部2次元心エコーセグメンテーションにおける不確かさの推定
- Authors: Lavsen Dahal, Aayush Kafle, Bishesh Khanal
- Abstract要約: トレーニングデータからさらに離れた分布から来るデータをテストする場合、不確実性推定は重要である。
品質の悪い画像を自動的に拒否し、最先端のセグメンテーション結果を改善するために、不確実性推定がどのように用いられるかを示す。
- 参考スコア（独自算出の注目度）: 0.2062593640149623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 2D echocardiography is the most common imaging modality for cardiovascular
diseases. The portability and relatively low-cost nature of Ultrasound (US)
enable the US devices needed for performing echocardiography to be made widely
available. However, acquiring and interpreting cardiac US images is operator
dependent, limiting its use to only places where experts are present. Recently,
Deep Learning (DL) has been used in 2D echocardiography for automated view
classification, and structure and function assessment. Although these recent
works show promise in developing computer-guided acquisition and automated
interpretation of echocardiograms, most of these methods do not model and
estimate uncertainty which can be important when testing on data coming from a
distribution further away from that of the training data. Uncertainty estimates
can be beneficial both during the image acquisition phase (by providing
real-time feedback to the operator on acquired image's quality), and during
automated measurement and interpretation. The performance of uncertainty models
and quantification metric may depend on the prediction task and the models
being compared. Hence, to gain insight of uncertainty modelling for left
ventricular segmentation from US images, we compare three ensembling based
uncertainty models quantified using four different metrics (one newly proposed)
on state-of-the-art baseline networks using two publicly available
echocardiogram datasets. We further demonstrate how uncertainty estimation can
be used to automatically reject poor quality images and improve
state-of-the-art segmentation results.
- Abstract（参考訳）: 心血管疾患では2次元心エコー法が最も一般的である。
超音波(US)の可搬性と比較的安価な性質により、エコー心エコー検査を行うために必要な米国のデバイスが広く利用可能となる。
しかし、心臓US画像の取得と解釈はオペレーターに依存しており、専門家がいる場所のみの使用を制限する。
近年,2次元心エコー法において,自動視線分類,構造と機能評価にDeep Learning (DL) が用いられている。
これらの最近の研究は、心エコー図のコンピュータガイドによる取得と自動解釈の開発に有望であるが、これらの手法のほとんどは、トレーニングデータから遠く離れた分布から来るデータをテストする際に重要となる不確かさをモデル化し、推定しない。
不確実性推定は、画像取得フェーズ(取得した画像の品質に関するオペレータにリアルタイムフィードバックを提供すること)と、自動測定と解釈の両方で有用である。
不確実性モデルと定量化メトリックのパフォーマンスは、比較される予測タスクとモデルに依存するかもしれない。
そこで,us画像から左室セグメンテーションの不確実性モデリングの知見を得るため,4つの異なる指標(新たに提案されている1つの指標)を用いて定量化した3つのセンシングに基づく不確実性モデルを比較した。
さらに,不確実性推定を用いて品質の低い画像を自動的にリジェクトし,最先端のセグメンテーション結果を改善する方法を示す。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - M(otion)-mode Based Prediction of Ejection Fraction using
Echocardiograms [13.112371567924802]
心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。
心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。
実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
論文 参考訳（メタデータ） (2023-09-07T15:00:58Z) - Multi-scale, Data-driven and Anatomically Constrained Deep Learning
Image Registration for Adult and Fetal Echocardiography [4.923733944174007]
胎児と成人のエコーにおける深層学習画像登録のための3つの戦略を組み合わせた枠組みを提案する。
以上の結果から, 良好な解剖学的トポロジーと画像テクスチャは, 形状符号化およびデータ駆動型対向損失と強く結びついていることが判明した。
当社のアプローチは,光学フローやElastixなど,従来の非DLゴールド登録手法よりも優れています。
論文 参考訳（メタデータ） (2023-09-02T05:33:31Z) - 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) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳（メタデータ） (2021-10-07T11:29:03Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - 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)
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。