論文の概要: Statistical inference of the inter-sample Dice distribution for
discriminative CNN brain lesion segmentation models
- arxiv url: http://arxiv.org/abs/2012.02755v2
- Date: Fri, 19 Feb 2021 14:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 01:22:28.501853
- Title: Statistical inference of the inter-sample Dice distribution for
discriminative CNN brain lesion segmentation models
- Title(参考訳): CNN脳病変分類モデルにおけるサンプル間Dice分布の統計的推定
- Authors: Kevin Raina
- Abstract要約: 識別畳み込みニューラルネットワーク(CNN)は多くの脳病変セグメンテーションタスクでよく機能している。
識別的CNNのセグメンテーションサンプリングは、訓練されたモデルの堅牢性を評価するために使用される。
厳格な信頼に基づく決定ルールが提案され、特定の患者に対してCNNモデルを拒絶するか受け入れるかが決定される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discriminative convolutional neural networks (CNNs), for which a voxel-wise
conditional Multinoulli distribution is assumed, have performed well in many
brain lesion segmentation tasks. For a trained discriminative CNN to be used in
clinical practice, the patient's radiological features are inputted into the
model, in which case a conditional distribution of segmentations is produced.
Capturing the uncertainty of the predictions can be useful in deciding whether
to abandon a model, or choose amongst competing models. In practice, however,
we never know the ground truth segmentation, and therefore can never know the
true model variance. In this work, segmentation sampling on discriminative CNNs
is used to assess a trained model's robustness by analyzing the inter-sample
Dice distribution on a new patient solely based on their magnetic resonance
(MR) images. Furthermore, by demonstrating the inter-sample Dice observations
are independent and identically distributed with a finite mean and variance
under certain conditions, a rigorous confidence based decision rule is proposed
to decide whether to reject or accept a CNN model for a particular patient.
Applied to the ISLES 2015 (SISS) dataset, the model identified 7 predictions as
non-robust, and the average Dice coefficient calculated on the remaining brains
improved by 12 percent.
- Abstract(参考訳): ボクセル単位の条件付きマルチニューリ分布を仮定した識別畳み込みニューラルネットワーク(CNN)は多くの脳病変セグメンテーションタスクでうまく機能している。
臨床で使用される訓練された識別cnnに対して、患者の放射線学的特徴をモデルに入力し、その場合、セグメンテーションの条件分布が生成される。
予測の不確実性を捉えることは、モデルを放棄するか、競合するモデルを選択すべきかを決定するのに有用である。
しかし実際には、基礎的真理分節は決して知ることができず、従って真のモデルの分散は知ることができない。
本研究は,MRI画像のみに基づいて,新しい患者のサンプル間Dice分布を解析することにより,識別的CNNのセグメンテーションサンプリングを用いて,訓練されたモデルのロバスト性を評価する。
さらに、サンプル間ダイス観測が有限平均で独立に分布し、一定の条件下で分散していることを示すことにより、特定の患者に対してcnnモデルを拒絶するか否かを厳密な信頼度に基づく決定ルールが提案される。
isles 2015 (siss) データセットに適用すると、モデルは7つの予測を非ロバストと認識し、残りの脳で計算された平均dice係数を12%改善した。
関連論文リスト
- DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。
マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。
我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
論文 参考訳(メタデータ) (2024-04-25T09:57:52Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - How to Combine Variational Bayesian Networks in Federated Learning [0.0]
フェデレートラーニングにより、複数のデータセンターが機密データを公開することなく、協力的に中央モデルをトレーニングできる。
決定論的モデルは高い予測精度を達成することができ、キャリブレーションの欠如と不確実性を定量化する能力は、安全クリティカルなアプリケーションには問題となる。
変分ベイズニューラルネットワークに対する様々なアグリゲーションスキームの効果について検討する。
論文 参考訳(メタデータ) (2022-06-22T07:53:12Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳(メタデータ) (2021-07-07T15:50:18Z) - Siamese Neural Network with Joint Bayesian Model Structure for Speaker
Verification [54.96267179988487]
本稿では,話者検証のための新しいサイムズニューラルネットワーク(SiamNN)を提案する。
サンプルの結合分布は、JB(Joint Bayesian)に基づく生成モデルに基づいて最初に定式化される。
話者照合のための二項識別タスクとして,ペアワイズしたサンプルを用いてモデルパラメータを訓練する。
論文 参考訳(メタデータ) (2021-04-07T09:17:29Z) - Classification of fNIRS Data Under Uncertainty: A Bayesian Neural
Network Approach [0.15229257192293197]
オープンアクセスデータセット上でバイナリ分類を行うために,ベイズニューラルネットワーク(bnn)を使用する。
私たちのモデルは、ボランティア30人に対して86.44%の全体的な分類精度を作り出した。
論文 参考訳(メタデータ) (2021-01-18T15:43:59Z) - CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with
Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。
我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。
マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
論文 参考訳(メタデータ) (2020-10-17T04:25:32Z) - 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) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。