論文の概要: Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in
Optical Coherence Tomography Images
- arxiv url: http://arxiv.org/abs/2101.08888v2
- Date: Mon, 8 Feb 2021 03:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:59:15.592524
- Title: Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in
Optical Coherence Tomography Images
- Title（参考訳）: 光コヒーレンストモグラフィ画像におけるドローゼンセグメンテーションの認識的・アレエータ的不確かさの解析
- Authors: Tinu Theckel Joy, Suman Sedai, Rahil Garnavi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.125187280299246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Age-related macular degeneration (AMD) is one of the leading causes of
permanent vision loss in people aged over 60 years. Accurate segmentation of
biomarkers such as drusen that points to the early stages of AMD is crucial in
preventing further vision impairment. However, segmenting drusen is extremely
challenging due to their varied sizes and appearances, low contrast and noise
resemblance. Most existing literature, therefore, have focused on size
estimation of drusen using classification, leaving the challenge of accurate
segmentation less tackled. Additionally, obtaining the pixel-wise annotations
is extremely costly and such labels can often be noisy, suffering from
inter-observer and intra-observer variability. Quantification of uncertainty
associated with segmentation tasks offers principled measures to inspect the
segmentation output. Realizing its utility in identifying erroneous
segmentation and the potential applications in clinical decision making, here
we develop a U-Net based drusen segmentation model and quantify the
segmentation uncertainty. We investigate epistemic and aleatoric uncertainty
capturing model confidence and data uncertainty respectively. We present
segmentation results and show how uncertainty can help formulate robust
evaluation strategies. We visually inspect the pixel-wise uncertainty and
segmentation results on test images. We finally analyze the correlation between
segmentation uncertainty and accuracy. Our results demonstrate the utility of
leveraging uncertainties in developing and explaining segmentation models for
medical image analysis.
- Abstract（参考訳）: 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。
amdの初期段階を示すdrusenのようなバイオマーカーの正確なセグメンテーションは、視覚障害のさらなる防止に不可欠である。
しかし,サイズや外観,コントラストの低さ,ノイズの類似性などにより,分画は極めて困難である。
それゆえ、既存の文献の多くは分類を用いたドルーゼンのサイズ推定に重点を置いており、正確なセグメンテーションの課題は取り組まれていない。
さらに、ピクセル単位のアノテーションを得るのは非常にコストがかかり、そのようなラベルは、オブザーバ間およびオブザーバ内ばらつきに悩まされ、しばしばうるさい。
セグメンテーションタスクに関連する不確実性の定量化は、セグメンテーションアウトプットを検査するための原則的な手段を提供する。
そこで本研究では, 誤ったセグメンテーションの同定と臨床意思決定への可能性を実現するために, U-Netベースの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実性を定量化する。
本研究では, モデル信頼度とデータ不確かさをそれぞれ把握した。
セグメンテーションの結果を示し、不確実性がロバスト評価戦略の定式化にどう役立つかを示す。
テスト画像の画素方向の不確かさとセグメンテーション結果を視覚的に検査する。
最後に,セグメンテーションの不確かさと精度の相関関係を解析した。
本研究は,医療画像解析のためのセグメンテーションモデルの開発と説明に不確実性を活用するの有用性を示す。
関連論文リスト
- Counterfactuals and Uncertainty-Based Explainable Paradigm for the Automated Detection and Segmentation of Renal Cysts in Computed Tomography Images: A Multi-Center Study [1.83277723272657]
Routine Computed Tomography (CT)スキャンは、しばしば広範囲の腎嚢胞を検知するが、そのうちのいくつかは悪性である可能性がある。
しかし、現在のセグメンテーション法では、特徴レベルとピクセルレベルで十分な解釈性を提供していない。
我々は、解釈可能なセグメンテーションフレームワークを開発し、多中心データセット上で検証した。
論文 参考訳（メタデータ） (2024-08-07T14:14:05Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - 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) - 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) - Uncertainty Quantification in Medical Image Segmentation with
Multi-decoder U-Net [3.961279440272763]
医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。
複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。
提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
論文 参考訳（メタデータ） (2021-09-15T01:46:29Z) - Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation:
A Benchmark Study [1.6222504666823843]
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。
論文 参考訳（メタデータ） (2020-12-31T17:46:52Z) - 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)
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。