論文の概要: Trustworthy Medical Segmentation with Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2111.05978v1
• Date: Wed, 10 Nov 2021 22:46:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-13 01:56:24.040718
• Title: Trustworthy Medical Segmentation with Uncertainty Estimation
• Title（参考訳）: 不確実性推定による信頼できる医用セグメンテーション
• Authors: Giuseppina Carannante, Dimah Dera, Nidhal C.Bouaynaya, Rasool Ghulam, and Hassan M. Fathallah-Shaykh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7829352305480285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) holds great promise in reshaping the healthcare systems given its precision, efficiency, and objectivity. However, the brittleness of DL models to noisy and out-of-distribution inputs is ailing their deployment in the clinic. Most systems produce point estimates without further information about model uncertainty or confidence. This paper introduces a new Bayesian deep learning framework for uncertainty quantification in segmentation neural networks, specifically encoder-decoder architectures. The proposed framework uses the first-order Taylor series approximation to propagate and learn the first two moments (mean and covariance) of the distribution of the model parameters given the training data by maximizing the evidence lower bound. The output consists of two maps: the segmented image and the uncertainty map of the segmentation. The uncertainty in the segmentation decisions is captured by the covariance matrix of the predictive distribution. We evaluate the proposed framework on medical image segmentation data from Magnetic Resonances Imaging and Computed Tomography scans. Our experiments on multiple benchmark datasets demonstrate that the proposed framework is more robust to noise and adversarial attacks as compared to state-of-the-art segmentation models. Moreover, the uncertainty map of the proposed framework associates low confidence (or equivalently high uncertainty) to patches in the test input images that are corrupted with noise, artifacts or adversarial attacks. Thus, the model can self-assess its segmentation decisions when it makes an erroneous prediction or misses part of the segmentation structures, e.g., tumor, by presenting higher values in the uncertainty map.
• Abstract（参考訳）: 深層学習(DL)は、正確さ、効率、客観性を考慮し、医療システムを再構築する上で大きな可能性を秘めている。 しかし, DLモデルのノイズやアウト・オブ・ディストリビューション入力に対する脆さは, 診療所への展開を妨げている。 ほとんどのシステムは、モデルの不確実性や信頼性に関するさらなる情報なしで点推定を生成する。 本稿では,セグメンテーションニューラルネットワーク,特にエンコーダ・デコーダアーキテクチャ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。 提案フレームワークはテイラー級数近似を用いて、トレーニングデータから得られたモデルパラメータの分布の最初の2つのモーメント(平均と共分散)を伝播し学習する。 出力はセグメンテーションの画像とセグメンテーションの不確実性マップの2つのマップで構成される。 セグメンテーション決定の不確実性は予測分布の共分散行列によって把握される。 磁気共鳴画像とctスキャンから得られた医用画像分割データの枠組みについて検討した。 複数のベンチマークデータセットに対する実験により,提案手法は,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。 さらに,提案フレームワークの不確実性マップは,ノイズやアーティファクト,敵の攻撃で破損したテスト入力画像のパッチと低信頼(あるいは同等に高い不確実性)を関連付ける。 これにより、不確実性マップに高い値を示すことによって、誤った予測を行う場合や、腫瘍などのセグメンテーション構造の一部を見逃す場合に、そのセグメンテーション決定を自己評価することができる。

関連論文リスト

• Anatomically-aware Uncertainty for Semi-supervised Image Segmentation [12.175556059523863]
  半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。 不確実性推定法は、トレーニングの各ステップで計算しなければならないモデル予測からの複数の推論に依存する。 本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T18:03:07Z)
• 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)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• 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)
• 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)
• 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)
• Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net [3.961279440272763]
  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。
  論文  参考訳（メタデータ） (2021-09-15T01:46:29Z)
• 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)
• 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)

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。