論文の概要: Region-Based Evidential Deep Learning to Quantify Uncertainty and
Improve Robustness of Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2208.06038v1
- Date: Thu, 11 Aug 2022 21:04:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:19:31.671485
- Title: Region-Based Evidential Deep Learning to Quantify Uncertainty and
Improve Robustness of Brain Tumor Segmentation
- Title（参考訳）: 不確かさの定量化と脳腫瘍切片のロバスト性向上のための領域ベース証拠深層学習
- Authors: Hao Li, Yang Nan, Javier Del Ser, Guang Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.76728117630242
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Despite recent advances in the accuracy of brain tumor segmentation, the
results still suffer from low reliability and robustness. Uncertainty
estimation is an efficient solution to this problem, as it provides a measure
of confidence in the segmentation results. The current uncertainty estimation
methods based on quantile regression, Bayesian neural network, ensemble, and
Monte Carlo dropout are limited by their high computational cost and
inconsistency. In order to overcome these challenges, Evidential Deep Learning
(EDL) was developed in recent work but primarily for natural image
classification. In this paper, we proposed a region-based EDL segmentation
framework that can generate reliable uncertainty maps and robust segmentation
results. We used the Theory of Evidence to interpret the output of a neural
network as evidence values gathered from input features. Following Subjective
Logic, evidence was parameterized as a Dirichlet distribution, and predicted
probabilities were treated as subjective opinions. To evaluate the performance
of our model on segmentation and uncertainty estimation, we conducted
quantitative and qualitative experiments on the BraTS 2020 dataset. The results
demonstrated the top performance of the proposed method in quantifying
segmentation uncertainty and robustly segmenting tumors. Furthermore, our
proposed new framework maintained the advantages of low computational cost and
easy implementation and showed the potential for clinical application.
- Abstract（参考訳）: 脳腫瘍のセグメンテーションの精度は近年進歩しているが、信頼性と堅牢性は依然として低い。
不確実性推定はこの問題の効率的な解であり、セグメンテーション結果の信頼性の尺度を提供する。
量子回帰、ベイズニューラルネットワーク、アンサンブル、モンテカルロのドロップアウトに基づく現在の不確実性推定法は、その計算コストと不整合性によって制限される。
これらの課題を克服するために,最近の研究において,自然画像分類を主目的とした実証的深層学習 (edl) が開発された。
本稿では、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セグメンテ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の出力を、入力特徴から収集したエビデンス値として解釈するために、エビデンス理論を用いた。
主観的論理に従えば,証拠はディリクレ分布としてパラメータ化され,予測確率は主観的評価として扱われた。
セグメンテーションと不確実性推定におけるモデルの性能を評価するため,BraTS 2020データセット上で定量的および定性的な実験を行った。
以上の結果から, 本手法は, セグメンテーション不確実性および頑健なセグメンテーション腫瘍の定量化に有効であった。
さらに, 計算コストが低く, 実装が容易であるという利点を維持し, 臨床応用の可能性を示した。
関連論文リスト
- Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:29:00Z) - 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) - TBraTS: Trusted Brain Tumor Segmentation [32.51443933646828]
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。
論文 参考訳（メタデータ） (2022-06-19T02:26:30Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z) - Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。
本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。
画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文 参考訳（メタデータ） (2021-06-18T16:34:23Z) - 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) - Quantifying Statistical Significance of Neural Network-based Image
Segmentation by Selective Inference [23.97765106673937]
我々は条件選択推論(SI)フレームワークを用いて、セグメンテーション結果の正確な(漸近的でない)p-値を計算する。
提案手法は, 偽陽性率の制御に成功し, 計算効率も良好であり, 医用画像データに適用した場合の良好な結果が得られる。
論文 参考訳（メタデータ） (2020-10-05T07:16:40Z) - 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) - Deep Bayesian Gaussian Processes for Uncertainty Estimation in
Electronic Health Records [30.65770563934045]
我々はディープ・ベイズ学習フレームワークの特徴とディープ・カーネル・ラーニングを融合させ、より包括的な不確実性推定に両手法の強みを活用する。
我々は,不均衡なデータセットにおけるマイノリティクラスにおいて,過度に信頼された予測を行うことに対して,我々の手法はより感受性が低いことを示す。
論文 参考訳（メタデータ） (2020-03-23T10:36:52Z)
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。