論文の概要: Improved post-hoc probability calibration for out-of-domain MRI segmentation

• arxiv url: http://arxiv.org/abs/2208.02870v1
• Date: Thu, 4 Aug 2022 20:13:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:36:01.893114
• Title: Improved post-hoc probability calibration for out-of-domain MRI segmentation
• Title（参考訳）: 領域外mriセグメンテーションのためのポストホック確率校正の改善
• Authors: Cheng Ouyang, Shuo Wang, Chen Chen, Zeju Li, Wenjia Bai, Bernhard Kainz, Daniel Rueckert
• Abstract要約: よく校正された確率は、放射線学者がモデル予測セグメンテーションが信頼できない地域を特定することを可能にする。 これらの信頼できない予測は、しばしば、画像アーティファクトや見えない画像プロトコルによって引き起こされる領域外画像(OOD)に発生する。 OOD画像と向き合う場合の校正誤差を低減するために,新しい校正モデルを提案する。
• 参考スコア（独自算出の注目度）: 18.089067656236125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probability calibration for deep models is highly desirable in safety-critical applications such as medical imaging. It makes output probabilities of deep networks interpretable, by aligning prediction probabilities with the actual accuracy in test data. In image segmentation, well-calibrated probabilities allow radiologists to identify regions where model-predicted segmentations are unreliable. These unreliable predictions often occur to out-of-domain (OOD) images that are caused by imaging artifacts or unseen imaging protocols. Unfortunately, most previous calibration methods for image segmentation perform sub-optimally on OOD images. To reduce the calibration error when confronted with OOD images, we propose a novel post-hoc calibration model. Our model leverages the pixel susceptibility against perturbations at the local level, and the shape prior information at the global level. The model is tested on cardiac MRI segmentation datasets that contain unseen imaging artifacts and images from an unseen imaging protocol. We demonstrate reduced calibration errors compared with the state-of-the-art calibration algorithm.
• Abstract（参考訳）: 深部モデルの確率校正は医用画像などの安全クリティカルな応用において非常に望ましい。 テストデータの実際の精度に予測確率を合わせることにより、ディープネットワークの出力確率を解釈可能とする。 画像セグメンテーションでは、よく校正された確率により、放射線学者はモデル予測セグメンテーションが信頼できない領域を特定できる。 これらの信頼できない予測は、しばしば、画像アーティファクトや見えない画像プロトコルによって引き起こされる領域外画像(OOD)に発生する。 残念なことに、画像セグメンテーションの以前のキャリブレーション手法はOOD画像に準最適に動作する。 OOD画像に対向するキャリブレーション誤差を低減するために,新しいポストホックキャリブレーションモデルを提案する。 我々のモデルは,局所レベルでの摂動に対する画素の感受性と,グローバルレベルでの形状の事前情報を活用する。 このモデルは、見えない画像のアーティファクトと、見えない画像プロトコルの画像を含む心臓MRIセグメントデータセットでテストされる。 最新の校正アルゴリズムと比較して校正誤差の低減を示す。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Joint Segmentation and Image Reconstruction with Error Prediction in Photoacoustic Imaging using Deep Learning [1.119697400073873]
  本稿では,ハイブリッドベイズ畳み込みニューラルネットワーク(Hybrid-BCNN)を提案する。 その結果,精度の高いPAセグメンテーションと画像が得られ,誤差予測は実際の誤差と統計的に非常に相関していることがわかった。
  論文  参考訳（メタデータ） (2024-07-02T20:35:58Z)
• Kandinsky Conformal Prediction: Efficient Calibration of Image Segmentation Algorithms [5.356495106991782]
  Kandinsky calibration'は、自然画像の分布に存在する空間構造を利用して、類似画素の分類器を同時に校正する。 我々は、訓練されたセグメンテーションアルゴリズムと、公開MS-COCOおよびメディカルデカトロンデータセットのサブセットの実験を行う。
  論文  参考訳（メタデータ） (2023-11-20T15:11:31Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• How to Calibrate Your Event Camera [58.80418612800161]
  画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。 ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
  論文  参考訳（メタデータ） (2021-05-26T07:06:58Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
  本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。 脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-30T18:03:18Z)

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。