論文の概要: Detecting when pre-trained nnU-Net models fail silently for Covid-19

• arxiv url: http://arxiv.org/abs/2107.05975v1
• Date: Tue, 13 Jul 2021 10:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 22:12:26.976081
• Title: Detecting when pre-trained nnU-Net models fail silently for Covid-19
• Title（参考訳）: 訓練済みのnnU-NetモデルがCovid-19でサイレントに故障した場合の検出
• Authors: Camila Gonzalez, Karol Gotkowski, Andreas Bucher, Ricarda Fischbach, Isabel Kaltenborn, Anirban Mukhopadhyay
• Abstract要約: 本稿では,特徴空間におけるマハラノビス距離を利用した軽量OOD検出手法を提案する。 多施設データセットで訓練したパッチベースのnnU-Netアーキテクチャを用いて,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 0.34940201626430645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic segmentation of lung lesions in computer tomography has the potential to ease the burden of clinicians during the Covid-19 pandemic. Yet predictive deep learning models are not trusted in the clinical routine due to failing silently in out-of-distribution (OOD) data. We propose a lightweight OOD detection method that exploits the Mahalanobis distance in the feature space. The proposed approach can be seamlessly integrated into state-of-the-art segmentation pipelines without requiring changes in model architecture or training procedure, and can therefore be used to assess the suitability of pre-trained models to new data. We validate our method with a patch-based nnU-Net architecture trained with a multi-institutional dataset and find that it effectively detects samples that the model segments incorrectly.
• Abstract（参考訳）: コンピュータ断層撮影における肺病変の自動分離は、コビッドウイルスパンデミックにおける臨床医の負担を軽減する可能性がある。 しかし、予測されたディープラーニングモデルは、ood(out-of-distribution)データで静かに失敗するため、臨床ルーチンでは信頼できない。 本稿では,特徴空間におけるマハラノビス距離を利用した軽量OOD検出手法を提案する。 提案されたアプローチは,モデルアーキテクチャやトレーニング手順の変更を必要とせずに,最先端のセグメンテーションパイプラインにシームレスに統合することができる。 提案手法を,マルチインスティカルデータセットを用いて訓練したパッチベースのnnU-Netアーキテクチャを用いて検証し,モデルセグメントが正しくないサンプルを効果的に検出することを確認した。

関連論文リスト

• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
  我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。 モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
  論文  参考訳（メタデータ） (2023-08-20T15:22:08Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• Out of Distribution Detection and Adversarial Attacks on Deep Neural Networks for Robust Medical Image Analysis [8.985261743452988]
  マハラノビス距離に基づく信頼度スコアのロバスト性を実験的に評価した。 その結果,マハラノビス信頼スコア検出器は深層学習モデルの性能向上と堅牢性を示した。
  論文  参考訳（メタデータ） (2021-07-10T18:00:40Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Deep k-NN for Noisy Labels [55.97221021252733]
  予備モデルのロジット層上での単純な$k$-nearest近傍フィルタリング手法により、ラベルの誤りを除去し、最近提案された多くの手法よりも正確なモデルを生成することができることを示す。
  論文  参考訳（メタデータ） (2020-04-26T05:15:36Z)
• An Adversarial Approach for the Robust Classification of Pneumonia from Chest Radiographs [9.462808515258464]
  ディープラーニングモデルは、しばしばデータセットシフトによるパフォーマンス損失を示す。 1つの病院システムからのデータを用いてトレーニングされたモデルは、同一病院のデータでテストすると高い予測性能を得るが、異なる病院システムでテストした場合は著しく悪化する。 我々は,共同創設者に依存しないより堅牢なモデルを学ぶことができる,逆最適化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T03:49:05Z)

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。