論文の概要: ROOD-MRI: Benchmarking the robustness of deep learning segmentation models to out-of-distribution and corrupted data in MRI

• arxiv url: http://arxiv.org/abs/2203.06060v1
• Date: Fri, 11 Mar 2022 16:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 13:47:50.093868
• Title: ROOD-MRI: Benchmarking the robustness of deep learning segmentation models to out-of-distribution and corrupted data in MRI
• Title（参考訳）: ROOD-MRI:MRIにおけるディープラーニングセグメンテーションモデルのアウト・オブ・ディストリビューションと破損データに対するロバスト性の評価
• Authors: Lyndon Boone, Mahdi Biparva, Parisa Mojiri Forooshani, Joel Ramirez, Mario Masellis, Robert Bartha, Sean Symons, Stephen Strother, Sandra E. Black, Chris Heyn, Anne L. Martel, Richard H. Swartz, Maged Goubran
• Abstract要約: ROOD-MRIは、ディープ人工知能ニューラルネットワークの堅牢性をMRIデータ、破損、アーティファクトにベンチマークするプラットフォームである。 いくつかの大規模研究において,海馬,心室,白質の超強度セグメンテーションに本手法を適用した。 データ拡張戦略は解剖学的セグメンテーションタスクのOODデータに対するロバスト性を大幅に向上させることができるが、最近のDNNでは、より困難な病変ベースのセグメンテーションタスクではロバスト性に欠ける。
• 参考スコア（独自算出の注目度）: 0.4839993770067469
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep artificial neural networks (DNNs) have moved to the forefront of medical image analysis due to their success in classification, segmentation, and detection challenges. A principal challenge in large-scale deployment of DNNs in neuroimage analysis is the potential for shifts in signal-to-noise ratio, contrast, resolution, and presence of artifacts from site to site due to variances in scanners and acquisition protocols. DNNs are famously susceptible to these distribution shifts in computer vision. Currently, there are no benchmarking platforms or frameworks to assess the robustness of new and existing models to specific distribution shifts in MRI, and accessible multi-site benchmarking datasets are still scarce or task-specific. To address these limitations, we propose ROOD-MRI: a platform for benchmarking the Robustness of DNNs to Out-Of-Distribution (OOD) data, corruptions, and artifacts in MRI. The platform provides modules for generating benchmarking datasets using transforms that model distribution shifts in MRI, implementations of newly derived benchmarking metrics for image segmentation, and examples for using the methodology with new models and tasks. We apply our methodology to hippocampus, ventricle, and white matter hyperintensity segmentation in several large studies, providing the hippocampus dataset as a publicly available benchmark. By evaluating modern DNNs on these datasets, we demonstrate that they are highly susceptible to distribution shifts and corruptions in MRI. We show that while data augmentation strategies can substantially improve robustness to OOD data for anatomical segmentation tasks, modern DNNs using augmentation still lack robustness in more challenging lesion-based segmentation tasks. We finally benchmark U-Nets and transformer-based models, finding consistent differences in robustness to particular classes of transforms across architectures.
• Abstract（参考訳）: ディープ人工知能ニューラルネットワーク(DNN)は、分類、セグメンテーション、検出の課題の成功により、医療画像分析の最前線に移動している。 神経画像解析におけるDNNの大規模展開における大きな課題は、スキャナや取得プロトコルのばらつきにより、信号対雑音比、コントラスト、解像度、現場から現場へのアーティファクトの移動の可能性である。 DNNはコンピュータビジョンにおけるこれらの分散シフトの影響を受けやすいことで有名である。 現在、mriの特定の分布シフトに対する新しいモデルや既存のモデルの堅牢性を評価するベンチマークプラットフォームやフレームワークは存在せず、アクセス可能なマルチサイトベンチマークデータセットはまだ乏しく、タスク固有である。 ROOD-MRIは,DNNのロバスト性(ロバスト性)をOF-Distribution(OOD)データにベンチマークするプラットフォームである。 このプラットフォームは、mriの分散シフトをモデル化する変換を使ったベンチマークデータセットを生成するモジュール、画像分割のための新しく派生したベンチマークメトリクスの実装、新しいモデルとタスクで方法論を使用する例を提供する。 海馬、心室、およびホワイトマターのハイパーインテンシティセグメンテーションをいくつかの大規模研究に応用し、海馬データセットを公開ベンチマークとして提供する。 これらのデータセット上で最新のDNNを評価することで、MRIにおける分布シフトや腐敗に非常に敏感であることを示す。 データ拡張戦略は解剖学的セグメンテーションタスクにおいてoodデータのロバスト性を大幅に改善できるが、現代のdnnでは病変ベースのセグメンテーションタスクではロバスト性に欠ける。 最後にu-netとtransformerベースのモデルをベンチマークし、アーキテクチャ全体の変換の特定のクラスに対するロバスト性に一貫した違いを見出した。

関連論文リスト

• Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
  本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。 我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• MA-RECON: Mask-aware deep-neural-network for robust fast MRI k-space interpolation [3.0821115746307672]
  低サンプリングkspaceデータからのMRI画像の高品質な再構成は、MRI取得時間を短縮し、時間分解能を向上するために重要である。 本稿では,マスク対応ディープニューラルネットワーク(DNN)アーキテクチャと関連するトレーニング手法であるMA-RECONを紹介する。 様々なアンダーサンプリングマスクで生成されたデータを活用して、アンダーサンプリングされたMRI再構成問題の一般化を刺激する。
  論文  参考訳（メタデータ） (2022-08-31T15:57:38Z)
• Improving Across-Dataset Brain Tissue Segmentation Using Transformer [10.838458766450989]
  本研究では,脳組織セグメンテーションのための新しいCNN-Transformerハイブリッドアーキテクチャを提案する。 我々は、4つのマルチサイトT1w MRIデータセットでモデルの性能を検証する。
  論文  参考訳（メタデータ） (2022-01-21T15:16:39Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Ensembles of Spiking Neural Networks [0.3007949058551534]
  本稿では,最先端の結果を生み出すスパイクニューラルネットワークのアンサンブルを構築する方法について述べる。 MNIST, NMNIST, DVS Gestureデータセットの分類精度は98.71%, 100.0%, 99.09%である。 我々は、スパイキングニューラルネットワークをGLM予測器として形式化し、ターゲットドメインに適した表現を識別する。
  論文  参考訳（メタデータ） (2020-10-15T17:45:18Z)
• Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
  医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。 このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。 このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2020-06-23T20:43:18Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• Modality Compensation Network: Cross-Modal Adaptation for Action Recognition [77.24983234113957]
  異なるモダリティの関係を探索するためのモダリティ補償ネットワーク(MCN)を提案する。 我々のモデルは、適応表現学習を実現するために、モーダリティ適応ブロックによって、ソースおよび補助モーダリティからのデータをブリッジする。 実験の結果,MCNは4つの広く使用されている行動認識ベンチマークにおいて,最先端のアプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-31T04:51:55Z)

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。