論文の概要: Quantifying Statistical Significance of Neural Network-based Image
Segmentation by Selective Inference
- arxiv url: http://arxiv.org/abs/2010.01823v2
- Date: Mon, 29 Nov 2021 06:40:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 19:52:34.509859
- Title: Quantifying Statistical Significance of Neural Network-based Image
Segmentation by Selective Inference
- Title（参考訳）: 選択推論によるニューラルネットワーク画像分割の統計的意義の定量化
- Authors: Vo Nguyen Le Duy, Shogo Iwazaki, Ichiro Takeuchi
- Abstract要約: 我々は条件選択推論(SI)フレームワークを用いて、セグメンテーション結果の正確な(漸近的でない)p-値を計算する。
提案手法は, 偽陽性率の制御に成功し, 計算効率も良好であり, 医用画像データに適用した場合の良好な結果が得られる。
- 参考スコア（独自算出の注目度）: 23.97765106673937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although a vast body of literature relates to image segmentation methods that
use deep neural networks (DNNs), less attention has been paid to assessing the
statistical reliability of segmentation results. In this study, we interpret
the segmentation results as hypotheses driven by DNN (called DNN-driven
hypotheses) and propose a method by which to quantify the reliability of these
hypotheses within a statistical hypothesis testing framework. Specifically, we
consider a statistical hypothesis test for the difference between the object
and background regions. This problem is challenging, as the difference would be
falsely large because of the adaptation of the DNN to the data. To overcome
this difficulty, we introduce a conditional selective inference (SI) framework
-- a new statistical inference framework for data-driven hypotheses that has
recently received considerable attention -- to compute exact (non-asymptotic)
valid p-values for the segmentation results. To use the conditional SI
framework for DNN-based segmentation, we develop a new SI algorithm based on
the homotopy method, which enables us to derive the exact (non-asymptotic)
sampling distribution of DNN-driven hypothesis. We conduct experiments on both
synthetic and real-world datasets, through which we offer evidence that our
proposed method can successfully control the false positive rate, has good
performance in terms of computational efficiency, and provides good results
when applied to medical image data.
- Abstract（参考訳）: 大量の文献がディープニューラルネットワーク(DNN)を用いた画像セグメンテーション手法に関連しているが、セグメンテーション結果の統計的信頼性を評価するには注意が払われていない。
本研究では,このセグメンテーションの結果をDNN駆動仮説(DNN駆動仮説)と解釈し,統計的仮説テストフレームワーク内でこれらの仮説の信頼性を定量化する手法を提案する。
具体的には,対象領域と背景領域の差に対する統計的仮説テストを検討する。
この問題は、データへのDNNの適応のため、その差が誤って大きくなるため、難しい。
この難しさを克服するために,データ駆動仮説のための新しい統計的推論フレームワークである条件付き選択推論(SI)フレームワークを導入し,セグメンテーション結果の正確な(漸近的でない)p-値を計算する。
条件付きSIフレームワークをDNNベースのセグメンテーションに利用するために、ホモトピー法に基づく新しいSIアルゴリズムを開発し、DNN駆動仮説の正確な(漸近的でない)サンプリング分布を導出する。
提案手法が偽陽性率の制御に成功し, 計算効率の点で優れた性能を示し, 医用画像データに適用した場合, 良好な結果が得られることを示す。
関連論文リスト
- Trajectory Volatility for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。
細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
論文 参考訳（メタデータ） (2024-03-21T01:06:47Z) - Bounded P-values in Parametric Programming-based Selective Inference [23.35466397627952]
我々は,p-値の下と上の境界を計算する手法を提案することにより,所望の精度を確保しつつ計算コストを削減する手法を提案する。
本稿では,線形モデルにおける特徴選択と深部ニューラルネットワークにおける注目領域同定のための仮説テスト問題における提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-07-21T04:55:03Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - A Sieve Quasi-likelihood Ratio Test for Neural Networks with
Applications to Genetic Association Studies [0.32771631221674324]
そこで本研究では,NNを用いた疑似シーブ様比検定を行い,複雑な関連性をテストするための隠蔽層を1つ提案する。
分布の妥当性をシミュレーションにより検討した。
アルツハイマー病神経画像イニシアチブ(ADNI)のシークエンシングデータの遺伝的アソシエーション解析により,提案試験の有用性を実証する。
論文 参考訳（メタデータ） (2022-12-16T02:54:46Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Region-Based Evidential Deep Learning to Quantify Uncertainty and
Improve Robustness of Brain Tumor Segmentation [14.76728117630242]
不確実性推定はこの問題の効率的な解決法である。
現在の不確実性推定法はその計算コストと矛盾性によって制限される。
本研究では、信頼性の高い不確実性マップとロバストなセグメンテーション結果を生成することができる地域ベースのEDLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-11T21:04:15Z) - Statistical Testing for Efficient Out of Distribution Detection in Deep
Neural Networks [26.0303701309125]
本稿では,Deep Neural Networks の Out Of Distribution (OOD) 検出問題を統計的仮説テスト問題として考察する。
このフレームワークに基づいて、低階統計に基づいた新しいOOD手順を提案します。
本手法は,ネットワークパラメータの再トレーニングを行わずに,oodベンチマークの精度が向上した。
論文 参考訳（メタデータ） (2021-02-25T16:14:47Z) - 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) - Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。
このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。
これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文 参考訳（メタデータ） (2020-11-18T00:33:24Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。