論文の概要: Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images

• arxiv url: http://arxiv.org/abs/2109.00115v2
• Date: Fri, 27 Dec 2024 22:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:01:50.283171
• Title: Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images
• Title（参考訳）: 前立腺癌生検画像の偏差係数予測のための不確かさ定量化による深層学習
• Authors: Audrey Xie, Elhoucine Elfatimi, Sambuddha Ghosal, Pratik Shah,
• Abstract要約: 深層学習モデル(DLM)は病理組織像の分類と分類において最先端のパフォーマンスを達成することができる。 DLMの不確実性推定は、さらなるレビューを必要とする予測や画像を特定することによって信頼を高めることができる。 本研究は,無作為重量法とモンテカルロ下降法を用いて不確実性評価を訓練したDLMを用いて,顕微鏡的ヘマトキシリンおよびエオシン色素染色前立腺核生検組織像RGB画像から腫瘍を分離した。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License:
• Abstract: Deep learning models (DLMs) can achieve state-of-the-art performance in histopathology image segmentation and classification, but have limited deployment potential in real-world clinical settings. Uncertainty estimates of DLMs can increase trust by identifying predictions and images that need further review. Dice scores and coefficients (Dice) are benchmarks for evaluation of image segmentation performance, but are usually not evaluated with DLM uncertainty quantification. This study reports DLMs trained with uncertainty estimations, using randomly initialized weights and Monte Carlo dropout, to segment tumors from microscopic Hematoxylin and Eosin dye stained prostate core biopsy histology RGB images. Image-level maps showed significant correlation (Spearman's rank, p < 0.05) between overall and specific prostate tissue image sub-region uncertainties with model performance estimations by Dice. This study reports that linear models, which can predict Dice segmentation scores from multiple clinical sub-region-based uncertainties of prostate cancer, can serve as a more comprehensive performance evaluation metric without loss in predictive capability of DLMs, with a low root mean square error.
• Abstract（参考訳）: 深層学習モデル(DLM)は、病理組織像の分類と分類において最先端のパフォーマンスを達成できるが、実際の臨床環境での展開可能性には限界がある。 DLMの不確実性推定は、さらなるレビューを必要とする予測や画像を特定することによって信頼を高めることができる。 ディススコアと係数(ディススコア、Dice scores and coefficients, Dice)は、画像分割性能を評価するためのベンチマークであるが、通常、DLMの不確かさの定量化では評価されない。 本研究は,無作為初期化重量法とモンテカルロ減量法を用いて不確実性評価を訓練したDLMを用いて,顕微鏡的ヘマトキシリンおよびエオシン染色前立腺核生検組織像RGB画像から腫瘍を分離した。 画像レベルマップではDiceによるモデル性能評価と, 全身および特定の前立腺組織像との有意な相関 (Spearman's rank, p < 0.05) を示した。 本研究は,DLMの予測能力を損なうことなく,Diceセグメンテーションスコアを複数の臨床領域による前立腺癌の領域別不確実性から予測できる線形モデルにより,DLMの予測精度を損なうことなく,より総合的なパフォーマンス評価指標として機能しうることを報告する。

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。