論文の概要: Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection
- arxiv url: http://arxiv.org/abs/2109.09374v1
- Date: Mon, 20 Sep 2021 08:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 17:00:10.615748
- Title: Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection
- Title（参考訳）: 教師なし・監督された病変検出における不確かさ推定のための深部量子回帰
- Authors: Haleh Akrami, Anand Joshi, Sergul Aydore, Richard Leahy
- Abstract要約: 不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite impressive state-of-the-art performance on a wide variety of machine
learning tasks in multiple applications, deep learning methods can produce
over-confident predictions, particularly with limited training data. Therefore,
quantifying uncertainty is particularly important in critical applications such
as anomaly or lesion detection and clinical diagnosis, where a realistic
assessment of uncertainty is essential in determining surgical margins, disease
status and appropriate treatment. In this work, we focus on using quantile
regression to estimate aleatoric uncertainty and use it for estimating
uncertainty in both supervised and unsupervised lesion detection problems. In
the unsupervised settings, we apply quantile regression to a lesion detection
task using Variational AutoEncoder (VAE). The VAE models the output as a
conditionally independent Gaussian characterized by means and variances for
each output dimension. Unfortunately, joint optimization of both mean and
variance in the VAE leads to the well-known problem of shrinkage or
underestimation of variance. We describe an alternative VAE model,
Quantile-Regression VAE (QR-VAE), that avoids this variance shrinkage problem
by estimating conditional quantiles for the given input image. Using the
estimated quantiles, we compute the conditional mean and variance for input
images under the conditionally Gaussian model. We then compute reconstruction
probability using this model as a principled approach to outlier or anomaly
detection applications. In the supervised setting, we develop binary quantile
regression (BQR) for the supervised lesion segmentation task. BQR segmentation
can capture uncertainty in label boundaries. We show how quantile regression
can be used to characterize expert disagreement in the location of lesion
boundaries.
- Abstract（参考訳）: 複数のアプリケーションにおける幅広い機械学習タスクにおける最先端のパフォーマンスは印象的だが、ディープラーニングメソッドは、特に限られたトレーニングデータにおいて、過信の予測を生成することができる。
したがって、不確かさの定量化は、異常や病変の検出、臨床診断などの重要な応用において特に重要であり、手術の限界、疾患の状態、適切な治療を決定する上で不確実性の現実的な評価が不可欠である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
教師なし設定では、変分オートエンコーダ(VAE)を用いた病変検出タスクに量子回帰を適用する。
VAEは出力を、各出力次元の手段と分散によって特徴づけられる条件独立ガウスとしてモデル化する。
残念なことに、VAEにおける平均値と分散量の共同最適化は、分散の縮小や過小評価というよく知られた問題につながる。
本稿では,与えられた入力画像の条件量子化を推定することにより,この分散縮小問題を回避するための代替VAEモデルQuantile-Regression VAE(QR-VAE)について述べる。
推定定量値を用いて、条件付きガウスモデルの下で入力画像の条件平均と分散を計算する。
次に, このモデルを用いて, 異常検出や異常検出の原理的手法として再構成確率を計算する。
教師あり設定では,教師付き病変分割タスクのための二分性分位回帰(bqr)を開発する。
bqrセグメンテーションはラベル境界の不確かさを捉えることができる。
我々は, 病変境界の位置における専門家の不一致を特徴付けるために, 量的回帰がいかに用いられるかを示す。
関連論文リスト
- Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Beyond the Norms: Detecting Prediction Errors in Regression Models [26.178065248948773]
本稿では,回帰アルゴリズムにおける信頼できない振る舞いを検出するという課題に取り組む。
回帰器の出力が特定の不一致(または誤り)を超えた場合、回帰における不確実性の概念を導入する。
複数の回帰タスクに対する誤り検出の実証的改善を示す。
論文 参考訳（メタデータ） (2024-06-11T05:51:44Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Beta quantile regression for robust estimation of uncertainty in the
presence of outliers [1.6377726761463862]
量子回帰(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために用いられる。
本稿では、頑健な分散の概念を取り入れた量子レグレッションのためのロバストな解を提案する。
論文 参考訳（メタデータ） (2023-09-14T01:18:57Z) - Semi-Supervised Deep Regression with Uncertainty Consistency and
Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。
整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。
実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
論文 参考訳（メタデータ） (2023-02-15T10:40:51Z) - 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) - Recalibration of Aleatoric and Epistemic Regression Uncertainty in
Medical Imaging [2.126171264016785]
回帰における不確実性は、信頼できない予測の堅牢な拒絶や、分布外サンプルの検出を可能にする。
sigma $ scalingは予測の不確実性を確実に再調整することができる。
論文 参考訳（メタデータ） (2021-04-26T07:18:58Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Addressing Variance Shrinkage in Variational Autoencoders using Quantile
Regression [0.0]
可変変分オートエンコーダ (VAE) は, 医用画像の病変検出などの応用において, 異常検出の一般的なモデルとなっている。
本稿では,分散の縮小や過小評価といったよく知られた問題を避けるための代替手法について述べる。
ガウスの仮定の下で推定された定量値を用いて平均値と分散値を計算し、再構成確率を外乱検出や異常検出の原理的アプローチとして計算する。
論文 参考訳（メタデータ） (2020-10-18T17:37:39Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。