Fugu-MT 論文翻訳(概要): Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation

論文の概要: Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation

arxiv url: http://arxiv.org/abs/2111.00528v1
Date: Sun, 31 Oct 2021 16:02:02 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 14:32:42.778575
Title: Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation
Title（参考訳）: バイオメディカルイメージセグメンテーションのためのニューラルネットワーク過信処理のためのDice損失の校正
Authors: Michael Yeung, Leonardo Rundo, Yang Nan, Evis Sala, Carola-Bibiane Sch\"onlieb, Guang Yang
Abstract要約: Dice similarity coefficient (DSC) は、バイオメディカルイメージセグメンテーションにおいて広く用いられている計量と損失関数である。本研究では, バイオメディカルイメージセグメンテーションの新たな課題として, キャリブレーションの低さを同定する。 DSC++損失は、過信、不正確な予測に関連するペナルティを選択的に調節する。
参考スコア（独自算出の注目度）: 2.6465053740712157
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Dice similarity coefficient (DSC) is both a widely used metric and loss function for biomedical image segmentation due to its robustness to class imbalance. However, it is well known that the DSC loss is poorly calibrated, resulting in overconfident predictions that cannot be usefully interpreted in biomedical and clinical practice. Performance is often the only metric used to evaluate segmentations produced by deep neural networks, and calibration is often neglected. However, calibration is important for translation into biomedical and clinical practice, providing crucial contextual information to model predictions for interpretation by scientists and clinicians. In this study, we identify poor calibration as an emerging challenge of deep learning based biomedical image segmentation. We provide a simple yet effective extension of the DSC loss, named the DSC++ loss, that selectively modulates the penalty associated with overconfident, incorrect predictions. As a standalone loss function, the DSC++ loss achieves significantly improved calibration over the conventional DSC loss across five well-validated open-source biomedical imaging datasets. Similarly, we observe significantly improved when integrating the DSC++ loss into four DSC-based loss functions. Finally, we use softmax thresholding to illustrate that well calibrated outputs enable tailoring of precision-recall bias, an important post-processing technique to adapt the model predictions to suit the biomedical or clinical task. The DSC++ loss overcomes the major limitation of the DSC, providing a suitable loss function for training deep learning segmentation models for use in biomedical and clinical practice.
Abstract（参考訳）: Dice similarity coefficient (DSC) は、バイオメディカルイメージセグメンテーションにおいて、クラス不均衡に対するロバスト性のために広く用いられている計量と損失関数である。しかし、dscの損失は低い校正であり、生体医学や臨床において有用に解釈できない自信過剰な予測をもたらすことが知られている。性能はディープニューラルネットワークによって生成されたセグメンテーションを評価するために使われる唯一の指標であり、校正はしばしば無視される。しかし、キャリブレーションは生体医学や臨床医学への翻訳において重要であり、科学者や臨床医による解釈の予測をモデル化するための重要な文脈情報を提供する。本研究では, バイオメディカルイメージセグメンテーションの新たな課題として, キャリブレーションの低さを挙げる。 dsc++の損失(dsc++ loss)は、自信過剰で誤った予測に関連するペナルティを選択的に調節するものである。スタンドアロンの損失関数として、DSC++の損失は、十分に検証された5つのオープンソースのバイオメディカルイメージングデータセットにおいて、従来のDSC損失よりも大幅に改善されたキャリブレーションを達成する。同様に、DSC++の損失を4つのDSCベースの損失関数に統合すると、大幅に改善される。最後に,バイオメディカル・臨床の課題に適合するモデル予測に適応する重要な後処理技術である精度・リコールバイアスの調整を可能にすることを明らかにするために,ソフトマックスしきい値を用いた。 DSC++の損失はDSCの大きな制限を克服し、バイオメディカルおよび臨床実践で使用するディープラーニングセグメンテーションモデルのトレーニングに適した損失関数を提供する。

関連論文リスト

Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
論文参考訳（メタデータ） (2024-07-02T03:56:20Z)
Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文参考訳（メタデータ） (2024-06-12T20:35:16Z)
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)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
論文参考訳（メタデータ） (2022-09-13T15:31:52Z)
BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文参考訳（メタデータ） (2022-06-09T13:06:51Z)
Maximum Entropy on Erroneous Predictions (MEEP): Improving model calibration for medical image segmentation [10.159176702917788]
本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
論文参考訳（メタデータ） (2021-12-22T20:34:20Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams [0.0]
我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
論文参考訳（メタデータ） (2020-08-11T13:23:04Z)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。