論文の概要: On the relationship between calibrated predictors and unbiased volume estimation

• arxiv url: http://arxiv.org/abs/2112.12560v1
• Date: Thu, 23 Dec 2021 14:22:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 16:31:08.570788
• Title: On the relationship between calibrated predictors and unbiased volume estimation
• Title（参考訳）: キャリブレーション予測器と不偏体積推定の関係について
• Authors: Teodora Popordanoska, Jeroen Bertels, Dirk Vandermeulen, Frederik Maes, Matthew B. Blaschko
• Abstract要約: 機械学習による医用画像のセグメンテーションは、医用画像解析において標準となっている。 しかし、ディープラーニングモデルは、過度に自信過剰な予測をしがちである。 これにより、医療画像とより広い機械学習コミュニティの調整された予測に、新たな焦点が当てられた。
• 参考スコア（独自算出の注目度）: 18.96093589337619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning driven medical image segmentation has become standard in medical image analysis. However, deep learning models are prone to overconfident predictions. This has led to a renewed focus on calibrated predictions in the medical imaging and broader machine learning communities. Calibrated predictions are estimates of the probability of a label that correspond to the true expected value of the label conditioned on the confidence. Such calibrated predictions have utility in a range of medical imaging applications, including surgical planning under uncertainty and active learning systems. At the same time it is often an accurate volume measurement that is of real importance for many medical applications. This work investigates the relationship between model calibration and volume estimation. We demonstrate both mathematically and empirically that if the predictor is calibrated per image, we can obtain the correct volume by taking an expectation of the probability scores per pixel/voxel of the image. Furthermore, we show that convex combinations of calibrated classifiers preserve volume estimation, but do not preserve calibration. Therefore, we conclude that having a calibrated predictor is a sufficient, but not necessary condition for obtaining an unbiased estimate of the volume. We validate our theoretical findings empirically on a collection of 18 different (calibrated) training strategies on the tasks of glioma volume estimation on BraTS 2018, and ischemic stroke lesion volume estimation on ISLES 2018 datasets.
• Abstract（参考訳）: 機械学習駆動の医用画像分割は医用画像解析において標準となっている。 しかし、深層学習モデルは過信的な予測をしがちである。 これにより、医療画像と幅広い機械学習コミュニティにおける予測の校正に新たな焦点が当てられた。 校正予測は、信頼度に基づいて条件付けられたラベルの真の期待値に対応するラベルの確率を推定する。 このような校正予測は、不確実性下での手術計画やアクティブな学習システムを含む、様々な医療画像応用において有用である。 同時に、多くの医療応用において非常に重要な正確な体積測定であることが多い。 本研究は, モデルキャリブレーションと体積推定の関係について検討する。 画像毎に予測器を校正した場合、画像の画素/ボクセル当たりの確率スコアを期待して正しいボリュームが得られることを数学的および経験的に証明する。 さらに,キャリブレーションされた分類器の凸結合が体積推定を保ちながらキャリブレーションを保たないことを示す。 したがって, キャリブレーションされた予測器を持つことは, 容積の偏りのない推定値を得るのに必要な条件ではない。 我々は,BraTS 2018におけるグリオーマ量推定の課題に関する18の異なる(校正された)トレーニング戦略の収集と,ISLES 2018データセットにおける虚血性脳梗塞量推定に関する理論的知見を実証的に検証した。

関連論文リスト

• A conformalized learning of a prediction set with applications to medical imaging classification [14.304858613146536]
  本稿では,真のラベルを含む予測セットをユーザが特定した確率で生成するアルゴリズムを提案する。 提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。
  論文  参考訳（メタデータ） (2024-08-09T12:49:04Z)
• Robust Conformal Volume Estimation in 3D Medical Images [0.5799785223420274]
  ボリュームトリは3次元医用画像セグメンテーションの主要な下流応用の1つである。 セグメンテーションモデルにより生成された圧縮潜在表現に基づく密度比推定の効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:18:07Z)
• Reassessing How to Compare and Improve the Calibration of Machine Learning Models [7.183341902583164]
  結果の予測確率がモデル予測に基づいてその結果の観測周波数と一致した場合、機械学習モデルを校正する。 キャリブレーションと予測の指標が追加の一般化の指標を伴わない限り、最先端のように見えるような簡単な再校正手法が存在することを示す。
  論文  参考訳（メタデータ） (2024-06-06T13:33:45Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Calibration of Neural Networks [77.34726150561087]
  本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。 我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。 実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
  論文  参考訳（メタデータ） (2023-03-19T20:27:51Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
  有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。 誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。 我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
  論文  参考訳（メタデータ） (2022-03-03T16:58:54Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• X-CAL: Explicit Calibration for Survival Analysis [22.642252425363335]
  モデルが任意の時間間隔内で予測されたイベント数を観測された数と類似させると、十分校正される。 D-CALIBRATIONを差別化可能な目的に変える明示的なキャリブレーション(X-CAL)を開発しています。 X-CALにより、実践者はキャリブレーションを直接最適化し、予測パワーとキャリブレーションのバランスを望ましいものにすることができる。
  論文  参考訳（メタデータ） (2021-01-13T21:00:23Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)

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。