論文の概要: An Efficient Confidence Measure-Based Evaluation Metric for Breast
Cancer Screening Using Bayesian Neural Networks
- arxiv url: http://arxiv.org/abs/2008.05566v1
- Date: Wed, 12 Aug 2020 20:34:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:05:56.396051
- Title: An Efficient Confidence Measure-Based Evaluation Metric for Breast
Cancer Screening Using Bayesian Neural Networks
- Title（参考訳）: ベイジアンニューラルネットワークを用いた乳癌検診における高能率信頼度評価指標
- Authors: Anika Tabassum, Naimul Khan
- Abstract要約: 乳がん検診における信頼度測定に基づく評価基準を提案する。
ベースライン変換学習と比較して,信頼度が向上し,画像集合の精度が向上することを示す。
- 参考スコア（独自算出の注目度）: 3.834509400202395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Screening mammograms is the gold standard for detecting breast cancer early.
While a good amount of work has been performed on mammography image
classification, especially with deep neural networks, there has not been much
exploration into the confidence or uncertainty measurement of the
classification. In this paper, we propose a confidence measure-based evaluation
metric for breast cancer screening. We propose a modular network architecture,
where a traditional neural network is used as a feature extractor with transfer
learning, followed by a simple Bayesian neural network. Utilizing a two-stage
approach helps reducing the computational complexity, making the proposed
framework attractive for wider deployment. We show that by providing the
medical practitioners with a tool to tune two hyperparameters of the Bayesian
neural network, namely, fraction of sampled number of networks and minimum
probability, the framework can be adapted as needed by the domain expert.
Finally, we argue that instead of just a single number such as accuracy, a
tuple (accuracy, coverage, sampled number of networks, and minimum probability)
can be utilized as an evaluation metric of our framework. We provide
experimental results on the CBIS-DDSM dataset, where we show the trends in
accuracy-coverage tradeoff while tuning the two hyperparameters. We also show
that our confidence tuning results in increased accuracy with a reduced set of
images with high confidence when compared to the baseline transfer learning. To
make the proposed framework readily deployable, we provide (anonymized) source
code with reproducible results at https://git.io/JvRqE.
- Abstract（参考訳）: 乳がんの早期発見のための金の基準はマンモグラムのスクリーニングである。
マンモグラフィ画像の分類、特に深層ニューラルネットワークについて多くの研究がなされているが、その分類の信頼性や不確実性の測定についてはあまり調査されていない。
本稿では,乳がん検診における信頼度測定に基づく評価基準を提案する。
本稿では,従来のニューラルネットワークを伝達学習のための特徴抽出器として用いるモジュール型ネットワークアーキテクチャを提案し,その後に単純なベイズニューラルネットワークを提案する。
2段階のアプローチを利用することで計算の複雑さが減少し、提案されたフレームワークがより広いデプロイメントのために魅力的になる。
医療従事者にベイジアンニューラルネットワークの2つのハイパーパラメータ、すなわちサンプルされたネットワーク数と最小確率をチューニングするツールを提供することで、このフレームワークをドメインエキスパートが必要に応じて適用できることを示す。
最後に、精度のような単一の数ではなく、タプル(正確性、カバレッジ、サンプリングされたネットワーク数、最小確率)をフレームワークの評価指標として利用することができると論じた。
CBIS-DDSMデータセットを用いて,2つのハイパーパラメータを調整しながら精度被覆トレードオフの傾向を示す。
また, 信頼度調整により, ベースライン変換学習と比較して, 画像集合の精度が向上し, 高い信頼度が得られることを示した。
提案されたフレームワークを簡単にデプロイできるように、https://git.io/jvrqeで再現可能な結果の(匿名化された)ソースコードを提供します。
関連論文リスト
- On the Convergence of Locally Adaptive and Scalable Diffusion-Based Sampling Methods for Deep Bayesian Neural Network Posteriors [2.3265565167163906]
ベイズニューラルネットワークは、ディープニューラルネットワークにおける不確実性をモデル化するための有望なアプローチである。
ニューラルネットワークの 後部分布からサンプルを生成することは 大きな課題です
この方向の進歩の1つは、モンテカルロ・マルコフ連鎖サンプリングアルゴリズムへの適応的なステップサイズの導入である。
本稿では,これらの手法が,ステップサイズやバッチサイズが小さくても,サンプリングした分布にかなりの偏りがあることを実証する。
論文 参考訳（メタデータ） (2024-03-13T15:21:14Z) - Informative Priors Improve the Reliability of Multimodal Clinical Data
Classification [7.474271086307501]
ニューラルネットワークを考慮し、ネットワークパラメータよりも先に分布する、テーラーメイドのマルチモーダルデータ駆動型(M2D2)を設計する。
我々は、M2D2以前のベイズニューラルネットワークをトレーニングするために、単純でスケーラブルな平均場変動推定を用いる。
実験の結果,提案手法は決定論的およびベイズ的ニューラルネットワークベースラインと比較して,より信頼性の高い予測モデルを生成することがわかった。
論文 参考訳（メタデータ） (2023-11-17T03:44:15Z) - Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation
for Pixel-wise Regression [1.4528189330418977]
機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。
画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
論文 参考訳（メタデータ） (2023-08-14T22:08:28Z) - BayesNetCNN: incorporating uncertainty in neural networks for
image-based classification tasks [0.29005223064604074]
本稿では,標準的なニューラルネットワークをベイズニューラルネットワークに変換する手法を提案する。
本研究では,各前方パスにおいて,元のものと類似した異なるネットワークをサンプリングすることにより,予測のばらつきを推定する。
我々は、アルツハイマー病患者の脳画像の大きなコホートを用いて、我々のモデルを検証した。
論文 参考訳（メタデータ） (2022-09-27T01:07:19Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Toward Reliable Models for Authenticating Multimedia Content: Detecting
Resampling Artifacts With Bayesian Neural Networks [9.857478771881741]
信頼性を重視した法医学的アルゴリズムの再設計に向けた第一歩を踏み出します。
本稿では,ディープニューラルネットワークのパワーとベイズフレームワークの厳密な確率的定式化を組み合わせたベイズニューラルネットワーク(BNN)を提案する。
BNNは、最先端の検出性能と、配布外サンプルを検出する優れた能力を得る。
論文 参考訳（メタデータ） (2020-07-28T11:23:40Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳（メタデータ） (2020-06-28T23:09:27Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。