Fugu-MT 論文翻訳(概要): SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks

論文の概要: SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks

arxiv url: http://arxiv.org/abs/2111.05978v4
Date: Wed, 01 Oct 2025 18:00:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 16:59:19.287045
Title: SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks
Title（参考訳）: SuperPER-Net: Encoder-Decoder Networksにおける不確実性伝播による信頼できるイメージセグメンテーション
Authors: Giuseppina Carannante, Nidhal C. Bouaynaya, Dimah Dera, Hassan M. Fathallah-Shaykh, Ghulam Rasool,
Abstract要約: SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
参考スコア（独自算出の注目度）: 0.17398560678845076
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Deep Learning (DL) holds great promise in reshaping the industry owing to its precision, efficiency, and objectivity. However, the brittleness of DL models to noisy and out-of-distribution inputs is ailing their deployment in sensitive fields. Current models often lack uncertainty quantification, providing only point estimates. We propose SUPER-Net, a Bayesian framework for trustworthy image segmentation via uncertainty propagation. Using Taylor series approximations, SUPER-Net propagates the mean and covariance of the model's posterior distribution across nonlinear layers. It generates two outputs simultaneously: the segmented image and a pixel-wise uncertainty map, eliminating the need for expensive Monte Carlo sampling. SUPER-Net's performance is extensively evaluated on MRI and CT scans under various noisy and adversarial conditions. Results show that SUPER-Net outperforms state-of-the-art models in robustness and accuracy. The uncertainty map identifies low-confidence areas affected by noise or attacks, allowing the model to self-assess segmentation reliability, particularly when errors arise from noise or adversarial examples.
Abstract（参考訳）: ディープラーニング(DL)は、その正確さ、効率、客観性のために、業界を変革する上で大きな約束を持っています。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インプットに対する脆さは、機密分野への展開を妨げている。現在のモデルは不確実な定量化を欠くことが多く、点推定のみを提供する。本研究では,不確実性伝播による画像セグメンテーションのためのベイズ的枠組みであるSUPER-Netを提案する。テイラー級数近似を用いて、SUPER-Netは非線形層にまたがるモデルの後方分布の平均と共分散を伝搬する。分割画像と画素単位の不確実性マップという2つの出力を同時に生成し、高価なモンテカルロサンプリングの必要性を排除した。各種ノイズ, 対向性条件下でのMRIおよびCTにおいて, SUPER-Netの性能を広範囲に評価した。以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。不確実性マップは、ノイズや攻撃によって影響を受ける低信頼領域を特定し、特にノイズや敵の例からエラーが発生した場合、モデルがセグメンテーションの信頼性を自己評価することを可能にする。

関連論文リスト

Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
論文参考訳（メタデータ） (2025-03-28T09:39:37Z)
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。