論文の概要: Label uncertainty-guided multi-stream model for disease screening

• arxiv url: http://arxiv.org/abs/2201.12089v1
• Date: Fri, 28 Jan 2022 12:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 20:32:25.790930
• Title: Label uncertainty-guided multi-stream model for disease screening
• Title（参考訳）: 疾患スクリーニングのためのラベル不確実性誘導マルチストリームモデル
• Authors: Chi Liu, Zongyuan Ge, Mingguang He, Xiaotong Han
• Abstract要約: 本稿では,サーバ内変動を不確実性問題とみなし,ラベルの不確実性情報をガイダンスとして組み込んで最終決定を改善する。 主な考え方は、画像を不確実性情報によって単純で難しいケースに分割し、異なるケースを別々に扱うマルチストリームネットワークを開発することである。 基礎画像を用いた緑内障検診ケーススタディの実験により, 提案モデルは, 特にハードケース検診において, いくつかの基準線より優れていることが示された。
• 参考スコア（独自算出の注目度）: 17.633322372675572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The annotation of disease severity for medical image datasets often relies on collaborative decisions from multiple human graders. The intra-observer variability derived from individual differences always persists in this process, yet the influence is often underestimated. In this paper, we cast the intra-observer variability as an uncertainty problem and incorporate the label uncertainty information as guidance into the disease screening model to improve the final decision. The main idea is dividing the images into simple and hard cases by uncertainty information, and then developing a multi-stream network to deal with different cases separately. Particularly, for hard cases, we strengthen the network's capacity in capturing the correct disease features and resisting the interference of uncertainty. Experiments on a fundus image-based glaucoma screening case study show that the proposed model outperforms several baselines, especially in screening hard cases.
• Abstract（参考訳）: 医学画像データセットに対する病気の重症度のアノテーションは、しばしば複数のヒトグレーダーからの協調的な決定に依存している。 個々の差異に由来するオブザーバ内変動は、常にこのプロセスで持続するが、影響は過小評価されることが多い。 本稿では,不確実性問題としてオブザーバ内変動性(intra-observer variability)を取り上げ,そのラベル不確実性情報を疾患スクリーニングモデルに導入し,最終決定を改善する。 主な考え方は、画像を不確実性情報によって単純で難しいケースに分割し、異なるケースを別々に扱うマルチストリームネットワークを開発することである。 特に難しい場合は,適切な疾患の特徴を把握し,不確実性の干渉に抵抗するネットワークの能力を強化する。 眼底画像を用いた緑内障スクリーニング実験では,提案モデルがいくつかのベースライン,特に難検例よりも優れていた。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Rescuing referral failures during automated diagnosis of domain-shifted medical images [17.349847762608086]
  異なる人口層から取得した医療画像や、別の技術を用いて測定した場合、最先端の領域一般化アプローチでさえ、参照中に深刻な失敗を犯すことが示される。 我々は,これらの障害を解消し,大幅な性能向上を実現する,ロバストな一般化とポストホック参照アプローチの新たな組み合わせを評価する。
  論文  参考訳（メタデータ） (2023-11-28T13:14:55Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Improving Uncertainty-based Out-of-Distribution Detection for Medical Image Segmentation [1.1199585259018459]
  Out-of-Distribution (OOD) 画像は、医療画像分析の文脈において重要な課題である。 本稿では,バイナリセグメンテーションモデルの予測不確実性に依存する手法が,外部入力の検出に失敗することが多いことを示す。
  論文  参考訳（メタデータ） (2022-11-10T08:54:40Z)
• Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
  本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。 本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
  論文  参考訳（メタデータ） (2021-04-15T23:34:53Z)
• Uncertainty aware and explainable diagnosis of retinal disease [0.0]
  4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行う。 不確実性が認識されている間にシステムが予測に使用する特徴は、システムが決定について確信が持たないときにハイライトする能力である。
  論文  参考訳（メタデータ） (2021-01-26T23:37:30Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Finding novelty with uncertainty [7.565565370757736]
  本稿では,健常なCT画像から磁気共鳴画像への変換を学習し,同時にボクセルの知能を推定するベイズ深層学習法を提案する。 本研究では,2種類の不確かさを,確率的不確実性(scibilic uncertainty)と呼ぶ新しい量に組み合わせることで,教師なしの異常セグメンテーションタスクに関する実験結果を示す。
  論文  参考訳（メタデータ） (2020-02-11T19:00:22Z)

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。