論文の概要: Uncertainty Quantified Deep Learning for Predicting Dice Coefficient of
Digital Histopathology Image Segmentation
- arxiv url: http://arxiv.org/abs/2109.00115v1
- Date: Tue, 31 Aug 2021 23:38:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 14:28:13.223495
- Title: Uncertainty Quantified Deep Learning for Predicting Dice Coefficient of
Digital Histopathology Image Segmentation
- Title(参考訳): デジタル病理画像分割の深度係数予測のための不確かさ量子深度学習
- Authors: Sambuddha Ghosal, Audrey Xie and Pratik Shah
- Abstract要約: 我々は無作為に定量化したDLMとモンテカルロ・ドロップアウトを用いて、顕微鏡的ヘマトキシリンおよびEosin(H&E)染色前立腺核生検RGB画像から腫瘍を分離する。
我々は,1つの画像から複数の臨床領域に基づく不確実性を用いて,線形モデルにより出力されるDLMモデルのDiceを予測する新しいアプローチを考案した。
本研究の結果から, 線形モデルは不確実な深層学習の係数と相関関係を学習し, 特定の領域のDiceスコアを予測できることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning models (DLMs) can achieve state of the art performance in
medical image segmentation and classification tasks. However, DLMs that do not
provide feedback for their predictions such as Dice coefficients (Dice) have
limited deployment potential in real world clinical settings. Uncertainty
estimates can increase the trust of these automated systems by identifying
predictions that need further review but remain computationally prohibitive to
deploy. In this study, we use a DLM with randomly initialized weights and Monte
Carlo dropout (MCD) to segment tumors from microscopic Hematoxylin and Eosin
(H&E) dye stained prostate core biopsy RGB images. We devise a novel approach
that uses multiple clinical region based uncertainties from a single image
(instead of the entire image) to predict Dice of the DLM model output by linear
models. Image level uncertainty maps were generated and showed correspondence
between imperfect model segmentation and high levels of uncertainty associated
with specific prostate tissue regions with or without tumors. Results from this
study suggest that linear models can learn coefficients of uncertainty
quantified deep learning and correlations ((Spearman's correlation (p<0.05)) to
predict Dice scores of specific regions of medical images.
- Abstract(参考訳): 深層学習モデル(DLM)は、医用画像のセグメンテーションや分類作業における技術性能の状態を達成できる。
しかし、Dice係数(Dice)のような予測に対するフィードバックを提供していないDLMは、実際の臨床環境でのデプロイメント可能性に制限がある。
不確実性の推定は、さらなるレビューを必要とするが、デプロイを計算的に禁止する予測を特定することによって、これらの自動化システムの信頼性を高めることができる。
本研究では,無作為初期化重量のDLMとモンテカルロ・ドロップアウト(MCD)を用いて,顕微鏡的ヘマトキシリンおよびエオシン(H&E)染色前立腺核生検RGB画像から腫瘍を分離する。
我々は,1つの画像(全体像の代わりに)から複数の臨床領域に基づく不確実性を用いて,線形モデルにより出力されるDLMモデルのDiceを予測する手法を考案した。
画像レベルの不確かさマップが生成され、腫瘍の有無にかかわらず特定の前立腺組織領域に関連する不完全さと高レベルの不確かさの対応を示した。
本研究では, 線形モデルを用いて, 不確実な定量化深度学習と相関係数(スピアマン相関(p<0.05))を学習し, 特定の領域のDiceスコアを予測できることを示唆した。
関連論文リスト
- Uncertainty Quantified Deep Learning and Regression Analysis Framework for Image Segmentation of Skin Cancer Lesions [0.0]
深層学習モデル(DLM)は、しばしば医療画像から正確な腫瘍の分類と分類を行う。
DLMは、Dice係数やパフォーマンスへの自信などのイメージセグメンテーションメカニズムに対するフィードバックを欠いているが、現実の臨床環境では目に見えない画像を処理する場合、課題に直面している。
本研究は2つのDLMについて報告する。1つはスクラッチから訓練し、もう1つは転写学習に基づいて、モンテカルロのドロップアウトまたはベイズ・バイ・バックプロップ不確かさを、一般に公開されているThe International Skin Imaging Collaboration-19 dermoscopy image databaseから推定する。
論文 参考訳(メタデータ) (2024-12-28T04:06:44Z) - Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images [0.795142520168573]
本研究の目的は,大腿部および大腿部のボリュームMSKセグメンテーションにおける深部学習モデルの改善について検証することであった。
モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
論文 参考訳(メタデータ) (2024-09-04T14:49:35Z) - 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) - Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。
その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
論文 参考訳(メタデータ) (2024-07-23T16:13:27Z) - 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) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。