論文の概要: QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation -- Analysis of Ranking Metrics and Benchmarking Results

• arxiv url: http://arxiv.org/abs/2112.10074v1
• Date: Sun, 19 Dec 2021 06:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 07:24:17.512021
• Title: QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation -- Analysis of Ranking Metrics and Benchmarking Results
• Title（参考訳）: QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainity in Brain tumor Segmentation -- Analysis of Ranking Metrics and Benchmarking Results
• Authors: Raghav Mehta, Angelos Filos, Ujjwal Baid, Chiharu Sako, Richard McKinley, Michael Rebsamen, Katrin D\"atwyler, Raphael Meier, Piotr Radojewski, Gowtham Krishnan Murugesan, Sahil Nalawade, Chandan Ganesh, Ben Wagner, Fang F. Yu, Baowei Fei, Ananth J. Madhuranthakam, Joseph A. Maldjian, Laura Daza, Catalina G\'omez, Pablo Arbel\'aez, Chengliang Dai, Shuo Wang, Hadrien Raynaud, Yuanhan Mo, Elsa Angelini, Yike Guo, Wenjia Bai, Subhashis Banerjee, Linmin Pei, Murat AK, Sarahi Rosas-Gonz\'alez, Illyess Zemmoura, Clovis Tauber, Minh H. Vu, Tufve Nyholm, Tommy L\"ofstedt, Laura Mora Ballestar, Veronica Vilaplana, Hugh McHugh, Gonzalo Maso Talou, Alan Wang, Jay Patel, Ken Chang, Katharina Hoebel, Mishka Gidwani, Nishanth Arun, Sharut Gupta, Mehak Aggarwal, Praveer Singh, Elizabeth R. Gerstner, Jayashree Kalpathy-Cramer, Nicolas Boutry, Alexis Huard, Lasitha Vidyaratne, Md Monibor Rahman, Khan M. Iftekharuddin, Joseph Chazalon, Elodie Puybareau, Guillaume Tochon, Jun Ma, Mariano Cabezas, Xavier Llado, Arnau Oliver, Liliana Valencia, Sergi Valverde, Mehdi Amian, Mohammadreza Soltaninejad, Andriy Myronenko, Ali Hatamizadeh, Xue Feng, Quan Dou, Nicholas Tustison, Craig Meyer, Nisarg A. Shah, Sanjay Talbar, Marc-Andr Weber, Abhishek Mahajan, Andras Jakab, Roland Wiest, Hassan M. Fathallah-Shaykh, Arash Nazeri, Mikhail Milchenko, Daniel Marcus, Aikaterini Kotrotsou, Rivka Colen, John Freymann, Justin Kirby, Christos Davatzikos, Bjoern Menze, Spyridon Bakas, Yarin Gal, Tal Arbel
• Abstract要約: ディープラーニング(DL)モデルは、さまざまな医療画像ベンチマークの課題において最先端のパフォーマンスを提供する。 しかし,局所病理領域の多部分分割(腫瘍や病変のサブリージョンなど)の課題は特に困難である。 DLモデル予測の信頼性を不確実性の形で定量化することは、最も不確実な領域の臨床的レビューを可能にする。
• 参考スコア（独自算出の注目度）: 29.106087655992862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL) models have provided the state-of-the-art performance in a wide variety of medical imaging benchmarking challenges, including the Brain Tumor Segmentation (BraTS) challenges. However, the task of focal pathology multi-compartment segmentation (e.g., tumor and lesion sub-regions) is particularly challenging, and potential errors hinder the translation of DL models into clinical workflows. Quantifying the reliability of DL model predictions in the form of uncertainties, could enable clinical review of the most uncertain regions, thereby building trust and paving the way towards clinical translation. Recently, a number of uncertainty estimation methods have been introduced for DL medical image segmentation tasks. Developing metrics to evaluate and compare the performance of uncertainty measures will assist the end-user in making more informed decisions. In this study, we explore and evaluate a metric developed during the BraTS 2019-2020 task on uncertainty quantification (QU-BraTS), and designed to assess and rank uncertainty estimates for brain tumor multi-compartment segmentation. This metric (1) rewards uncertainty estimates that produce high confidence in correct assertions, and those that assign low confidence levels at incorrect assertions, and (2) penalizes uncertainty measures that lead to a higher percentages of under-confident correct assertions. We further benchmark the segmentation uncertainties generated by 14 independent participating teams of QU-BraTS 2020, all of which also participated in the main BraTS segmentation task. Overall, our findings confirm the importance and complementary value that uncertainty estimates provide to segmentation algorithms, and hence highlight the need for uncertainty quantification in medical image analyses. Our evaluation code is made publicly available at https://github.com/RagMeh11/QU-BraTS.
• Abstract（参考訳）: ディープラーニング(DL)モデルは、Brain tumor Segmentation(BraTS)チャレンジなど、さまざまな医療画像ベンチマークの課題において、最先端のパフォーマンスを提供する。 しかし、局所病理領域の多部分分割(腫瘍や病変のサブリージョンなど)の課題は特に困難であり、DLモデルの臨床ワークフローへの変換を妨げる可能性がある。 DLモデル予測の信頼性を不確実性の形で定量化することで、最も不確実な領域の臨床的レビューを可能にし、信頼の構築と臨床翻訳への道を開くことができる。 近年,dl医用画像分割タスクにおいて不確実性推定手法が数多く導入されている。 不確実性対策の評価と比較のためのメトリクスの開発は、エンドユーザがより情報的な決定を下すのに役立つだろう。 本研究では,不確実性定量化(QU-BraTS)に関するBraTS 2019-2020の課題において開発された指標を検討,評価し,脳腫瘍のマルチコンパートメントセグメンテーションにおける不確実性評価の評価とランク付けを目的とした。 本尺度は, 正しい主張に高い信頼をもたらす不確実性評価と, 誤った主張に低い信頼度を割り当てる評価を報いるとともに, 信頼度の低い主張により高い割合をもたらす不確実性対策を罰するものである。 我々はさらに、2020年のqu-bratsの独立した14チームによるセグメンテーションの不確実性をベンチマークし、それぞれがメインのブラッツセグメンテーションタスクに参加した。 全体として,不確実性推定がセグメンテーションアルゴリズムに与える重要性と補完的価値を確認し,医用画像解析における不確実性定量化の必要性を強調した。 評価コードはhttps://github.com/RagMeh11/QU-BraTS.comで公開されています。

関連論文リスト

• EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
  本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。 複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
  論文  参考訳（メタデータ） (2024-03-25T10:13:52Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation [7.313010190714819]
  モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です 自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。 医用画像解析設定においてどの方法が好ましいかは不明確である。
  論文  参考訳（メタデータ） (2023-08-15T00:09:33Z)
• 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)
• Trustworthy clinical AI solutions: a unified review of uncertainty quantification in deep learning models for medical image analysis [1.0439136407307046]
  本稿では,ディープラーニング予測に関連する不確実性を定量化するための既存手法の概要を提案する。 本稿では,画像の高次元性とその品質変動性から,医用画像解析への応用に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-05T07:01:06Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Uncertainty Evaluation Metric for Brain Tumour Segmentation [30.598462426287053]
  我々は,脳腫瘍の亜分類の課題に対する不確実性の評価とランク付けを目的とした指標を開発する。 1) 信頼度の高いアサーションが正しいアサーションに割り当てられ、誤ったアサーションが低いアサーションが割り当てられる不確実性のある措置に報いる。 ここでは、BraTS 2019データセットで評価された多くの一般的な不確実性尺度に基づいて、メトリックのコンポーネントの動作を調査する。
  論文  参考訳（メタデータ） (2020-05-28T19:53:32Z)

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。