論文の概要: A Quantitative Comparison of Epistemic Uncertainty Maps Applied to
Multi-Class Segmentation
- arxiv url: http://arxiv.org/abs/2109.10702v1
- Date: Wed, 22 Sep 2021 12:48:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:36:40.060222
- Title: A Quantitative Comparison of Epistemic Uncertainty Maps Applied to
Multi-Class Segmentation
- Title（参考訳）: マルチクラスセグメンテーションに応用したてんかん不確実性マップの定量的比較
- Authors: Robin Camarasa (1 and 2), Daniel Bos (2 and 3), Jeroen Hendrikse (4),
Paul Nederkoorn (5), M. Eline Kooi (6), Aad van der Lugt (2), Marleen de
Bruijne (1, 2 and 7), ((1) Biomedical Imaging Group Rotterdam, Department of
Radiology and Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands, (2)
Department of Radiology and Nuclear Medicine, Erasmus MC, Rotterdam, The
Netherlands, (3) Department of Epidemiology, Erasmus MC, Rotterdam, The
Netherlands, (4) Department of Radiology, University Medical Center Utrecht,
Utrecht, The Netherlands, (5) Department of Neurology, Academic Medical
Center University of Amsterdam, Amsterdam, The Netherlands, (6) Department of
Radiology and Nuclear Medicine, CARIM School for Cardiovascular Diseases,
Maastricht University Medical Center, Maastricht, The Netherlands, (7)
Department of Computer Science, University of Copenhagen, Denmark)
- Abstract要約: 本稿では,これらの手法を2つの異なる文脈で定義し,定量的に比較するための体系的アプローチを強調した。
マルチセンター,マルチスキャナ,マルチシーケンスデータセットを用いて,頸動脈ルーメンと血管壁のマルチクラスセグメンテーションに本解析を適用した。
異なるデータやタスクの分析を再現するためのpythonパッケージを作成しました。
- 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: Uncertainty assessment has gained rapid interest in medical image analysis. A
popular technique to compute epistemic uncertainty is the Monte-Carlo (MC)
dropout technique. From a network with MC dropout and a single input, multiple
outputs can be sampled. Various methods can be used to obtain epistemic
uncertainty maps from those multiple outputs. In the case of multi-class
segmentation, the number of methods is even larger as epistemic uncertainty can
be computed voxelwise per class or voxelwise per image. This paper highlights a
systematic approach to define and quantitatively compare those methods in two
different contexts: class-specific epistemic uncertainty maps (one value per
image, voxel and class) and combined epistemic uncertainty maps (one value per
image and voxel). We applied this quantitative analysis to a multi-class
segmentation of the carotid artery lumen and vessel wall, on a multi-center,
multi-scanner, multi-sequence dataset of (MR) images. We validated our analysis
over 144 sets of hyperparameters of a model. Our main analysis considers the
relationship between the order of the voxels sorted according to their
epistemic uncertainty values and the misclassification of the prediction. Under
this consideration, the comparison of combined uncertainty maps reveals that
the multi-class entropy and the multi-class mutual information statistically
out-perform the other combined uncertainty maps under study. In a
class-specific scenario, the one-versus-all entropy statistically out-performs
the class-wise entropy, the class-wise variance and the one versus all mutual
information. The class-wise entropy statistically out-performs the other
class-specific uncertainty maps in terms of calibration. We made a python
package available to reproduce our analysis on different data and tasks.
- Abstract（参考訳）: 不確実性評価は、医療画像分析に急速に関心を寄せている。
てんかん不確実性を計算する一般的な手法はモンテカルロ(MC)ドロップアウト技術である。
mcドロップアウトと単一の入力を持つネットワークから、複数の出力をサンプリングすることができる。
様々な方法を用いて、これらの複数の出力からてんかん不確実性マップを得ることができる。
多クラスセグメンテーションの場合、認識の不確実性はクラスごとにvoxelwiseまたはイメージごとにvoxelwiseを計算できるため、メソッドの数はさらに大きくなる。
本稿では,これらの手法を2つの異なる文脈で定義し,定量的に比較するための体系的アプローチとして,クラス固有の疫学不確実性マップ(画像毎,ボクセル,クラス毎の1値)と複合疫学不確実性マップ(画像毎,ボクセル毎の1値)を挙げる。
この定量的解析を頸動脈腔と血管壁のマルチクラスセグメンテーションに応用し,マルチセンター,マルチスキャン,マルチシーケンスのMR画像を用いて検討した。
モデルのハイパーパラメータ144セットについて解析を行った。
本研究の主な分析は, 発病性不確実性値に基づいて分類されたボクセルの順序と予測の誤分類との関係について考察した。
この考察により, 複合不確実性マップの比較により, マルチクラスエントロピーと多クラス相互情報の方が, 統計的に他の複合不確実性マップよりも優れていることが明らかになった。
クラス固有のシナリオでは、1対全エントロピーは、クラスワイズエントロピー、クラスワイズ分散、およびクラスワイズ情報と全ての相互情報とを統計的に上回る。
クラスワイドエントロピーは、キャリブレーションの観点から他のクラス固有不確実性写像よりも統計的に優れる。
異なるデータやタスクの分析を再現するためのpythonパッケージを作成しました。
関連論文リスト
- Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。
まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
論文 参考訳（メタデータ） (2024-08-15T21:49:43Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Probabilistic Modeling of Inter- and Intra-observer Variability in
Medical Image Segmentation [12.594098548008832]
我々は、確率的オブザーバとiNtraオブザーバ変異NetwOrk(ピオノ)と呼ばれる新しいモデルを提案する。
各レーダのラベル付け動作を多次元確率分布で捉え、確率的セグメンテーション予測を生成する。
実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証している。
論文 参考訳（メタデータ） (2023-07-21T07:29:38Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - Calibrating Ensembles for Scalable Uncertainty Quantification in Deep
Learning-based Medical Segmentation [0.42008820076301906]
自動画像解析における不確かさの定量化は、多くのアプリケーションで非常に望まれている。
現在の不確実性定量化アプローチは、高次元実世界の問題ではうまくスケールしない。
本研究では,ディープラーニングモデルのアンサンブルを校正し,不確実な定量化測定を行うための,スケーラブルで直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T09:09:48Z) - A Multiple kernel testing procedure for non-proportional hazards in
factorial designs [4.358626952482687]
本稿では,複数の因子が同時に興味を持つ場合の生存率を推定するマルチカーネルテスト手法を提案する。
我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。
論文 参考訳（メタデータ） (2022-06-15T01:53:49Z) - 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) - 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) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-09T12:26:27Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。