論文の概要: Hierarchical brain parcellation with uncertainty

• arxiv url: http://arxiv.org/abs/2009.07573v1
• Date: Wed, 16 Sep 2020 09:37:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 00:21:52.644182
• Title: Hierarchical brain parcellation with uncertainty
• Title（参考訳）: 不確実性を伴う階層的脳機能解析
• Authors: Mark S. Graham, Carole H. Sudre, Thomas Varsavsky, Petru-Daniel Tudosiu, Parashkev Nachev, Sebastien Ourselin, and M. Jorge Cardoso
• Abstract要約: 本稿では,ラベルツリーの各枝における決定を予測し,階層的に認識された脳のパーセレーション手法を提案する。 提案手法は,不確実性評価を行うとともに,不確実性評価を行う。
• 参考スコア（独自算出の注目度）: 3.6587368823954587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many atlases used for brain parcellation are hierarchically organised, progressively dividing the brain into smaller sub-regions. However, state-of-the-art parcellation methods tend to ignore this structure and treat labels as if they are `flat'. We introduce a hierarchically-aware brain parcellation method that works by predicting the decisions at each branch in the label tree. We further show how this method can be used to model uncertainty separately for every branch in this label tree. Our method exceeds the performance of flat uncertainty methods, whilst also providing decomposed uncertainty estimates that enable us to obtain self-consistent parcellations and uncertainty maps at any level of the label hierarchy. We demonstrate a simple way these decision-specific uncertainty maps may be used to provided uncertainty-thresholded tissue maps at any level of the label tree.
• Abstract（参考訳）: 多くのアトラスは階層的に構成され、徐々に脳を小さな部分領域に分割する。 しかし、最先端のパーセレーション手法はこの構造を無視し、ラベルを「フラット」のように扱う傾向がある。 本稿では,ラベルツリーの各枝における決定を予測して機能する階層的な脳解析手法を提案する。 さらに,この手法を用いて,ラベルツリーの各分岐に対する不確かさを別々にモデル化する方法を示す。 また, ラベル階層の任意のレベルにおいて, 自己整合性パーセレーションと不確実性マップが得られるような, 分解された不確実性推定値も提供する。 これらの決定固有の不確実性マップを,ラベルツリーの任意のレベルで不確実性保持された組織マップを提供するための簡単な方法を示す。

関連論文リスト

• Learning Hierarchical Semantic Classification by Grounding on Consistent Image Segmentations [37.80849457554078]
  階層的な意味分類は、単一の平坦な木ではなく、分類木を予測する必要がある。 フラットレベル認識のための階層的セグメンテーションの学習に関する最近の研究に基づいて構築する。 木パスKL分割損失を導入し,各レベルに一貫した正確な予測を行う。
  論文  参考訳（メタデータ） (2024-06-17T14:56:51Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Indecision Trees: Learning Argument-Based Reasoning under Quantified Uncertainty [0.0]
  本稿では,不確実性の下で学習する決定木の改良である不確定木を紹介する。 可能なラベルに対して堅牢な分布を提供し、他の推論システムで使用する論理的引数の集合に分解することができる。
  論文  参考訳（メタデータ） (2022-06-23T12:33:20Z)
• A Study on Mitigating Hard Boundaries of Decision-Tree-based Uncertainty Estimates for AI Models [0.0]
  不確実性ラッパーは、入力品質に関連する不確実性をクラスタ化するための決定木アプローチを使用し、異なる不確実性クラスタに厳密に入力を割り当てる。 我々の目標は、解釈可能性、ランタイムの複雑さ、予測性能を維持しながら、ハードな決定境界を緩和するアプローチに置き換えることです。
  論文  参考訳（メタデータ） (2022-01-10T10:29:12Z)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Rectified Decision Trees: Exploring the Landscape of Interpretable and Effective Machine Learning [66.01622034708319]
  我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。 我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。 次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
  論文  参考訳（メタデータ） (2020-08-21T10:45:25Z)
• Cautious Active Clustering [79.23797234241471]
  ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。 我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
  論文  参考訳（メタデータ） (2020-08-03T23:47:31Z)
• Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
  本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。 我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-06-23T21:39:23Z)
• Expand Globally, Shrink Locally: Discriminant Multi-label Learning with Missing Labels [25.024207776469773]
  本稿では,欠落したラベルを学習するための識別型マルチラベル学習法(DM2L)を提案する。 具体的には、同一ラベルからの全てのインスタンスの予測に対して、低ランク構造を課す。 我々の手法は依然として最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-08T11:49:58Z)

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。