Fugu-MT 論文翻訳(概要): Uncertainty Evaluation Metric for Brain Tumour Segmentation

論文の概要: Uncertainty Evaluation Metric for Brain Tumour Segmentation

arxiv url: http://arxiv.org/abs/2005.14262v1
Date: Thu, 28 May 2020 19:53:32 GMT
ステータス: 処理完了
システム内更新日: 2022-11-27 05:56:08.829486
Title: Uncertainty Evaluation Metric for Brain Tumour Segmentation
Title（参考訳）: 脳腫瘍セグメンテーションの不確実性評価指標
Authors: Raghav Mehta, Angelos Filos, Yarin Gal, Tal Arbel
Abstract要約: 我々は,脳腫瘍の亜分類の課題に対する不確実性の評価とランク付けを目的とした指標を開発する。 1) 信頼度の高いアサーションが正しいアサーションに割り当てられ、誤ったアサーションが低いアサーションが割り当てられる不確実性のある措置に報いる。ここでは、BraTS 2019データセットで評価された多くの一般的な不確実性尺度に基づいて、メトリックのコンポーネントの動作を調査する。
参考スコア（独自算出の注目度）: 30.598462426287053
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we develop a metric designed to assess and rank uncertainty measures for the task of brain tumour sub-tissue segmentation in the BraTS 2019 sub-challenge on uncertainty quantification. The metric is designed to: (1) reward uncertainty measures where high confidence is assigned to correct assertions, and where incorrect assertions are assigned low confidence and (2) penalize measures that have higher percentages of under-confident correct assertions. Here, the workings of the components of the metric are explored based on a number of popular uncertainty measures evaluated on the BraTS 2019 dataset.
Abstract（参考訳）: 本稿では,BraTS 2019サブチャレンジにおける脳腫瘍のサブタスクに対する不確実性評価と,不確実性定量化のための指標の開発を行う。 1) 信頼度の高いアサーションが正しいアサーションに割り当てられ、誤ったアサーションが低いアサーションに割り当てられ、(2) 信頼度の低いアサーションの比率が高いアサーションを罰する不確実性尺度を報奨する。ここでは、BraTS 2019データセットで評価された多くの一般的な不確実性尺度に基づいて、メトリックのコンポーネントの動作を調査する。

関連論文リスト

On Information-Theoretic Measures of Predictive Uncertainty [5.8034373350518775]
その重要性にも拘わらず、予測の不確実性の正しい測定に関するコンセンサスはいまだに解明されていない。提案手法は, 予測の不確かさを, (I) 予測モデル (II) 真の予測分布の近似の2つの要因により分類する。本研究では, 誤分類検出, 選択的予測, アウト・オブ・ディストリビューション検出など, 典型的な不確実性推定設定において, これらの指標を実証的に評価する。
論文参考訳（メタデータ） (2024-10-14T17:52:18Z)
Guardians of the Machine Translation Meta-Evaluation: Sentinel Metrics Fall In! [80.3129093617928]
毎年、機械翻訳会議(WMT)において、メトリクス共有タスクオーガナイザは、機械翻訳(MT)メトリクスのメタ評価を行う。この研究は、現在WMTで採用されているメタ評価フレームワークに関する2つの問題を強調し、メトリクスランキングへの影響を評価する。本稿では,メタ評価プロセスの正確性,堅牢性,公正性を精査するために設計されたセンチネルメトリクスの概念を紹介する。
論文参考訳（メタデータ） (2024-08-25T13:29:34Z)
Label-wise Aleatoric and Epistemic Uncertainty Quantification [15.642370299038488]
本稿では,不確実性尺度のラベルワイズ分解に基づく分類タスクにおける不確実性定量化手法を提案する。提案手法は,いくつかの望ましい特性に則っていることを示す。
論文参考訳（メタデータ） (2024-06-04T14:33:23Z)
Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
言語モデル(LM)は、自然言語生成において有望な性能を示している。与えられた入力に応答する際の不確実性を正確に定量化することは重要である。我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
論文参考訳（メタデータ） (2024-04-04T02:31:05Z)
Second-Order Uncertainty Quantification: Variance-Based Measures [2.3999111269325266]
本稿では,分類問題における二階分布に基づく不確かさの定量化に分散に基づく新しい手法を提案する。この尺度の特徴は、クラスベースレベルでの不確実性を推論する能力であり、不確実な意思決定が必要な状況において有用である。
論文参考訳（メタデータ） (2023-12-30T16:30:52Z)
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)
Uncertainty Estimation for Heatmap-based Landmark Localization [4.673063715963989]
推定誤差境界を持つ不確実性によって予測を分類するデータ駆動手法であるQuantile Binningを提案する。この枠組みは,3つの不確実性対策を比較し,対比することによって実証する。我々は、Quantile Binsで捕捉された大まかな誤予測をフィルタリングすることで、許容可能なエラー閾値下での予測の割合を大幅に改善する、という結論を導いた。
論文参考訳（メタデータ） (2022-03-04T14:40:44Z)
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)
QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation -- Analysis of Ranking Metrics and Benchmarking Results [29.106087655992862]
ディープラーニング(DL)モデルは、さまざまな医療画像ベンチマークの課題において最先端のパフォーマンスを提供する。しかし,局所病理領域の多部分分割(腫瘍や病変のサブリージョンなど)の課題は特に困難である。 DLモデル予測の信頼性を不確実性の形で定量化することは、最も不確実な領域の臨床的レビューを可能にする。
論文参考訳（メタデータ） (2021-12-19T06:45:55Z)
Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。