論文の概要: Integrating uncertainty in deep neural networks for MRI based stroke
analysis
- arxiv url: http://arxiv.org/abs/2008.06332v1
- Date: Thu, 13 Aug 2020 09:50:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 22:30:06.660410
- Title: Integrating uncertainty in deep neural networks for MRI based stroke
analysis
- Title（参考訳）: MRI脳卒中解析のためのディープニューラルネットワークにおける不確実性の統合
- Authors: Lisa Herzog, Elvis Murina, Oliver D\"urr, Susanne Wegener, Beate Sick
- Abstract要約: 2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。
CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At present, the majority of the proposed Deep Learning (DL) methods provide
point predictions without quantifying the models uncertainty. However, a
quantification of the reliability of automated image analysis is essential, in
particular in medicine when physicians rely on the results for making critical
treatment decisions. In this work, we provide an entire framework to diagnose
ischemic stroke patients incorporating Bayesian uncertainty into the analysis
procedure. We present a Bayesian Convolutional Neural Network (CNN) yielding a
probability for a stroke lesion on 2D Magnetic Resonance (MR) images with
corresponding uncertainty information about the reliability of the prediction.
For patient-level diagnoses, different aggregation methods are proposed and
evaluated, which combine the single image-level predictions. Those methods take
advantage of the uncertainty in image predictions and report model uncertainty
at the patient-level. In a cohort of 511 patients, our Bayesian CNN achieved an
accuracy of 95.33% at the image-level representing a significant improvement of
2% over a non-Bayesian counterpart. The best patient aggregation method yielded
95.89% of accuracy. Integrating uncertainty information about image predictions
in aggregation models resulted in higher uncertainty measures to false patient
classifications, which enabled to filter critical patient diagnoses that are
supposed to be closer examined by a medical doctor. We therefore recommend
using Bayesian approaches not only for improved image-level prediction and
uncertainty estimation but also for the detection of uncertain aggregations at
the patient-level.
- Abstract（参考訳）: 現在,提案手法の大部分は,モデルの不確かさを定量化することなく,ポイント予測を提供する。
しかし, 画像解析の信頼性の定量化は, 特に医師が重要な治療判断の結果に依存する医学において不可欠である。
本研究は,ベイズ不確実性を考慮した虚血性脳卒中患者の診断の枠組み全体を提供する。
本稿では2次元磁気共鳴(MR)画像における脳卒中病変の確率を推定するベイズ畳み込みニューラルネットワーク(CNN)を提案する。
患者レベルでの診断には, 画像レベルの予測と組み合わせて, 異なる凝集法が提案され, 評価される。
これらの手法は画像予測の不確実性を生かし,患者レベルでのモデル不確実性を報告する。
511例のコホートにおいて,bayesian cnnは画像レベルで95.33%の精度を示し,非bayesian cnnと比較して2%の改善率を示した。
最も優れた患者集計法は95.89%の精度を得た。
集約モデルにおける画像予測の不確実性情報の統合により、偽患者分類に対する不確実性対策が高まり、医師が精査すべき重要な患者の診断をフィルタリングできるようになった。
そこで我々は,ベイズ法を用いて画像レベルの予測や不確実性推定だけでなく,患者レベルでの不確実性アグリゲーションの検出を推奨する。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。
我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。
444例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測できることが示唆された。
論文 参考訳（メタデータ） (2023-11-15T13:04:57Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T13:44:55Z) - Improving Image-Based Precision Medicine with Uncertainty-Aware Causal
Models [3.5770353345663053]
ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。
本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
論文 参考訳（メタデータ） (2023-05-05T20:08:40Z) - 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) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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。
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。