論文の概要: SoftDropConnect (SDC) -- Effective and Efficient Quantification of the
Network Uncertainty in Deep MR Image Analysis
- arxiv url: http://arxiv.org/abs/2201.08418v1
- Date: Thu, 20 Jan 2022 19:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 13:31:42.062926
- Title: SoftDropConnect (SDC) -- Effective and Efficient Quantification of the
Network Uncertainty in Deep MR Image Analysis
- Title（参考訳）: SoftDropConnect (SDC) -- ディープMR画像解析におけるネットワーク不確かさの有効かつ効率的な定量化
- Authors: Qing Lyu, Christopher T. Whitlow, Ge Wang
- Abstract要約: 本稿では,医療画像タスクにおけるネットワークの不確実性を定量化するために,SoftDropConnect (SDC) と呼ばれる新しいベイズ推論手法を提案する。
提案手法は,それぞれ10.0%,5.4%,3.7%の精度で予測精度を向上し,相互情報の不確実性を大幅に低減した。
- 参考スコア（独自算出の注目度）: 6.556578665564248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning has achieved remarkable successes in medical image
analysis. Although deep neural networks generate clinically important
predictions, they have inherent uncertainty. Such uncertainty is a major
barrier to report these predictions with confidence. In this paper, we propose
a novel yet simple Bayesian inference approach called SoftDropConnect (SDC) to
quantify the network uncertainty in medical imaging tasks with gliomas
segmentation and metastases classification as initial examples. Our key idea is
that during training and testing SDC modulates network parameters continuously
so as to allow affected information processing channels still in operation,
instead of disabling them as Dropout or DropConnet does. When compared with
three popular Bayesian inference methods including Bayes By Backprop, Dropout,
and DropConnect, our SDC method (SDC-W after optimization) outperforms the
three competing methods with a substantial margin. Quantitatively, our proposed
method generates results withsubstantially improved prediction accuracy (by
10.0%, 5.4% and 3.7% respectively for segmentation in terms of dice score; by
11.7%, 3.9%, 8.7% on classification in terms of test accuracy) and greatly
reduced uncertainty in terms of mutual information (by 64%, 33% and 70% on
segmentation; 98%, 88%, and 88% on classification). Our approach promises to
deliver better diagnostic performance and make medical AI imaging more
explainable and trustworthy.
- Abstract（参考訳）: 近年,深層学習は医用画像解析で目覚ましい成功を収めている。
ディープニューラルネットワークは臨床的に重要な予測を生成するが、固有の不確実性がある。
このような不確実性は、これらの予測を自信を持って報告する上で大きな障壁となる。
本稿では,医用画像処理におけるネットワーク不確実性をグリオーマの分節化と転移の分類で定量化するために,SoftDropConnect (SDC) と呼ばれる新しいベイズ推論手法を提案する。
私たちの重要なアイデアは、トレーニングとテストの間、sdcはネットワークパラメータを継続的に調整し、影響のある情報処理チャネルをdropoutやdropconnetのように無効にするのではなく、運用中であるようにします。
ベイズ・バイ・バックプロップ、Dropout、DropConnectの3つの一般的なベイズ推定手法と比較すると、SDC法(最適化後のSDC-W)は、競合する3つの手法よりもかなり優れている。
定量的に,提案手法では,予測精度が10.0%,5.4%,3.7%,分類精度で11.7%,分類精度で3.9%,8.7%,相互情報の64%,33%,70%,セグメンテーションで98%,88%,88%)向上した。
我々のアプローチは、より良い診断性能を提供し、医療用AIイメージングをより説明しやすく、信頼できるものにすることを約束します。
関連論文リスト
- Sparse Bayesian Networks: Efficient Uncertainty Quantification in Medical Image Analysis [4.898968729173388]
疎(部分)ベイズネットワークのトレーニング手順を導入する。
両表現の利点を利用して高いタスク固有性能を実現し,予測の不確実性を最小化する。
提案手法はベイズパラメータを95%以上削減し,競合性能と予測不確実性を推定する。
論文 参考訳（メタデータ） (2024-06-11T05:12:00Z) - Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。
PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。
複数のデータセットに対する実験結果は、PAALの優位性を示している。
論文 参考訳（メタデータ） (2024-05-01T11:12:08Z) - Leveraging Unlabeled Data for 3D Medical Image Segmentation through
Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。
両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。
我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文 参考訳（メタデータ） (2023-11-21T14:03:16Z) - 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) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation:
A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。
セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文 参考訳（メタデータ） (2020-12-31T17:46:52Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。