論文の概要: Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study

• arxiv url: http://arxiv.org/abs/2012.15772v1
• Date: Thu, 31 Dec 2020 17:46:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:19:17.181518
• Title: Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study
• Title（参考訳）: 心臓MRIセグメント化のためのニューラルネットワークの不確かさの推定:ベンチマークによる検討
• Authors: Matthew Ng, Fumin Guo, Labonny Biswas, Steffen E. Petersen, Stefan K. Piechnik, Stefan Neubauer, Graham Wright
• Abstract要約: 畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。 セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
• 参考スコア（独自算出の注目度）: 1.6222504666823843
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Convolutional neural networks (CNNs) have demonstrated promise in automated cardiac magnetic resonance imaging segmentation. However, when using CNNs in a large real world dataset, it is important to quantify segmentation uncertainty in order to know which segmentations could be problematic. In this work, we performed a systematic study of Bayesian and non-Bayesian methods for estimating uncertainty in segmentation neural networks. We evaluated Bayes by Backprop (BBB), Monte Carlo (MC) Dropout, and Deep Ensembles in terms of segmentation accuracy, probability calibration, uncertainty on out-of-distribution images, and segmentation quality control. We tested these algorithms on datasets with various distortions and observed that Deep Ensembles outperformed the other methods except for images with heavy noise distortions. For segmentation quality control, we showed that segmentation uncertainty is correlated with segmentation accuracy. With the incorporation of uncertainty estimates, we were able to reduce the percentage of poor segmentation to 5% by flagging 31% to 48% of the most uncertain images for manual review, substantially lower than random review of the results without using neural network uncertainty.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。 しかし、大規模な実世界のデータセットでCNNを使用する場合、どのセグメンテーションが問題となるかを知るために、セグメンテーションの不確実性を定量化することが重要である。 本研究では,セグメンテーションニューラルネットワークにおける不確かさを推定するためのベイズ法と非ベイズ法を体系的に検討した。 bbb,モンテカルロ (mc) ドロップアウト, ディープアンサンブルによるベイズ評価を行い, セグメンテーション精度, 確率校正, 分布画像の不確実性, セグメンテーション品質制御について検討した。 様々な歪みのあるデータセット上でこれらのアルゴリズムをテストし、ノイズの大きい画像を除いて、深いアンサンブルが他の方法よりも優れていることを観測した。 セグメンテーション品質制御において,セグメンテーションの不確実性はセグメンテーション精度と相関することを示した。 不確実性評価の実施により、ニューラルネットワークの不確実性を用いることなく、結果のランダムなレビューよりも大幅に低い、手作業でもっとも不確実な画像の31%から48%にフラグを付けることで、不確実性評価の比率を5%に下げることができた。

関連論文リスト

• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Maximum Entropy on Erroneous Predictions (MEEP): Improving model calibration for medical image segmentation [10.159176702917788]
  本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。 脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
  論文  参考訳（メタデータ） (2021-12-22T20:34:20Z)
• Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
  本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。 我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。 複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images [4.125187280299246]
  加齢関連黄斑変性症(AMD)は60歳以上の高齢者の永久視喪失の原因の1つである。 我々は,u-netに基づくドルーゼンセグメンテーションモデルを開発し,セグメンテーションの不確かさを定量化する。
  論文  参考訳（メタデータ） (2021-01-21T23:34:29Z)
• 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)
• Automatic segmentation with detection of local segmentation failures in cardiac MRI [1.281734910003263]
  3つの最先端の畳み込みニューラルネットワーク(CNN)をトレーニングし、心臓解剖学的構造を自動的に分割した。 MICCAI 2017 ACDCチャレンジで公開されているCMRスキャンを用いて,CNNアーキテクチャとセグメンテーションにおける損失関数の影響を検討した。 自動セグメンテーションと検出されたセグメンテーション障害のシミュレートされた手動補正を組み合わせることで,統計的に有意な性能向上が得られた。
  論文  参考訳（メタデータ） (2020-11-13T17:19:05Z)
• 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)
• DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
  我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
  論文  参考訳（メタデータ） (2020-05-06T17:42:54Z)

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。