論文の概要: TBraTS: Trusted Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2206.09309v1
• Date: Sun, 19 Jun 2022 02:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-25 23:57:41.832143
• Title: TBraTS: Trusted Brain Tumor Segmentation
• Title（参考訳）: TBraTS: 信頼できる脳腫瘍分離
• Authors: Ke Zou and Xuedong Yuan and Xiaojing Shen and Meng Wang and Huazhu Fu
• Abstract要約: そこで我々は,信頼できる脳腫瘍セグメント化ネットワークを提案し,ロバストなセグメンテーション結果と確実な不確実性推定を行う。 本手法では, 主観的論理理論を用いて不確かさを明示的にモデル化する。 我々の統合された信頼されたセグメンテーションフレームワークは、信頼性とロバスト性をアウト・オブ・ディストリビューション・サンプルに与えます。
• 参考スコア（独自算出の注目度）: 32.51443933646828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent improvements in the accuracy of brain tumor segmentation, the results still exhibit low levels of confidence and robustness. Uncertainty estimation is one effective way to change this situation, as it provides a measure of confidence in the segmentation results. In this paper, we propose a trusted brain tumor segmentation network which can generate robust segmentation results and reliable uncertainty estimations without excessive computational burden and modification of the backbone network. In our method, uncertainty is modeled explicitly using subjective logic theory, which treats the predictions of backbone neural network as subjective opinions by parameterizing the class probabilities of the segmentation as a Dirichlet distribution. Meanwhile, the trusted segmentation framework learns the function that gathers reliable evidence from the feature leading to the final segmentation results. Overall, our unified trusted segmentation framework endows the model with reliability and robustness to out-of-distribution samples. To evaluate the effectiveness of our model in robustness and reliability, qualitative and quantitative experiments are conducted on the BraTS 2019 dataset.
• Abstract（参考訳）: 最近の脳腫瘍のセグメンテーションの精度は改善されているが、信頼性と堅牢性は依然として低い。 不確実性の推定は、セグメンテーション結果に対する信頼度を測定するため、この状況を変える効果的な方法の1つです。 本稿では, 骨盤ネットワークの過剰な計算負担や修正を伴わずに, 頑健なセグメンテーション結果と確実な不確実性推定を生成できる信頼性脳腫瘍セグメンテーションネットワークを提案する。 本手法では,セグメンテーションのクラス確率をディリクレ分布としてパラメータ化することにより,バックボーンニューラルネットワークの予測を主観的意見として扱う主観的論理理論を用いて,不確かさを明示的にモデル化する。 一方、信頼できるセグメンテーションフレームワークは、最終セグメンテーション結果につながる機能から信頼できる証拠を収集する関数を学習する。 全体として、統一された信頼されたセグメンテーションフレームワークは、分散サンプルに対する信頼性と堅牢性をモデルに内包しています。 堅牢性と信頼性におけるモデルの有効性を評価するため,BraTS 2019データセット上で定性的かつ定量的な実験を行った。

関連論文リスト

• SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation [6.082812294410541]
  本稿では,医療深層学習モデルの解釈性向上を目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。
  論文  参考訳（メタデータ） (2024-11-08T04:37:55Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Region-Based Evidential Deep Learning to Quantify Uncertainty and Improve Robustness of Brain Tumor Segmentation [14.76728117630242]
  不確実性推定はこの問題の効率的な解決法である。 現在の不確実性推定法はその計算コストと矛盾性によって制限される。 本研究では、信頼性の高い不確実性マップとロバストなセグメンテーション結果を生成することができる地域ベースのEDLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-11T21:04:15Z)
• Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
  本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。 我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。 複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• 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)
• Adversarial Robustness on In- and Out-Distribution Improves Explainability [109.68938066821246]
  RATIOは、Adversarial Training on In- and Out-distriionを通じて、堅牢性のためのトレーニング手順である。 RATIOはCIFAR10で最先端の$l$-adrialを実現し、よりクリーンな精度を維持している。
  論文  参考訳（メタデータ） (2020-03-20T18:57:52Z)

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。