論文の概要: Uncertainty Quantification in Medical Image Segmentation with
Multi-decoder U-Net
- arxiv url: http://arxiv.org/abs/2109.07045v1
- Date: Wed, 15 Sep 2021 01:46:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 15:12:24.457816
- Title: Uncertainty Quantification in Medical Image Segmentation with
Multi-decoder U-Net
- Title（参考訳）: マルチデコーダU-Netを用いた医用画像分割の不確かさ定量化
- Authors: Yanwu Yang, Xutao Guo, Yiwei Pan, Pengcheng Shi, Haiyan Lv, Ting Ma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.961279440272763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate medical image segmentation is crucial for diagnosis and analysis.
However, the models without calibrated uncertainty estimates might lead to
errors in downstream analysis and exhibit low levels of robustness. Estimating
the uncertainty in the measurement is vital to making definite, informed
conclusions. Especially, it is difficult to make accurate predictions on
ambiguous areas and focus boundaries for both models and radiologists, even
harder to reach a consensus with multiple annotations. In this work, the
uncertainty under these areas is studied, which introduces significant
information with anatomical structure and is as important as segmentation
performance. We exploit the medical image segmentation uncertainty
quantification by measuring segmentation performance with multiple annotations
in a supervised learning manner and propose a U-Net based architecture with
multiple decoders, where the image representation is encoded with the same
encoder, and segmentation referring to each annotation is estimated with
multiple decoders. Nevertheless, a cross-loss function is proposed for bridging
the gap between different branches. The proposed architecture is trained in an
end-to-end manner and able to improve predictive uncertainty estimates. The
model achieves comparable performance with fewer parameters to the integrated
training model that ranked the runner-up in the MICCAI-QUBIQ 2020 challenge.
- Abstract（参考訳）: 正確な医用画像分割は診断と分析に不可欠である。
しかし、キャリブレーションされた不確実性推定のないモデルは下流分析の誤差を招き、ロバスト性は低い。
測定の不確かさを推定することは、確かなインフォームドな結論を得るのに不可欠である。
特に、曖昧な領域を正確に予測し、モデルと放射線技師の両方の境界に焦点を合わせることは困難であり、複数のアノテーションで合意に達することはさらに困難である。
本研究では,これらの領域における不確実性について検討し,解剖学的構造を持つ重要な情報を導入し,セグメンテーション性能と同じくらい重要である。
本稿では,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を教師あり学習方法で測定し,画像表現を同一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,複数のデコーダを用いたu-netアーキテクチャを提案する。
それでも、異なる枝間のギャップを埋めるためのクロスロス関数が提案されている。
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。
このモデルは、MICCAI-QUBIQ 2020チャレンジでランキングされた統合トレーニングモデルと比較して、より少ないパラメータで同等のパフォーマンスを達成する。
関連論文リスト
- 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) - Hierarchical Uncertainty Estimation for Medical Image Segmentation
Networks [1.9564356751775307]
不確実性は、モデルトレーニングに使用される画像(ノイズ)と手動アノテーション(ヒューマンエラーとバイアス)の両方に存在する。
本稿では,複数のレベルで不確かさを推定する簡易かつ効果的な手法を提案する。
U-netのようなディープラーニングセグメンテーションネットワークは,高いセグメンテーション性能を実現することができることを示す。
論文 参考訳（メタデータ） (2023-08-16T16:09:23Z) - Inter-Rater Uncertainty Quantification in Medical Image Segmentation via
Rater-Specific Bayesian Neural Networks [7.642026462053574]
医用画像セグメンテーションにおけるレータ間不確実性を推定するための新しいベイズニューラルネットワークアーキテクチャを提案する。
まず,不確実性推定に適したワンエンコーダ・マルチデコーダアーキテクチャを提案する。
次に,新しいアーキテクチャのベイズモデルを提案する。
論文 参考訳（メタデータ） (2023-06-28T20:52:51Z) - 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) - 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) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - 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) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation [0.0]
我々は,脳腫瘍画像のセグメント化のための変分推論技術に基づくエンコーダデコーダアーキテクチャを用いる。
Dice similarity Coefficient (DSC) と Intersection Over Union (IOU) を指標として, 公開されているBRATSデータセットの評価を行った。
論文 参考訳（メタデータ） (2020-08-12T20:08:04Z) - 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)
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。