論文の概要: DOMINO: Domain-aware Model Calibration in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2209.06077v1
• Date: Tue, 13 Sep 2022 15:31:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 12:40:25.753528
• Title: DOMINO: Domain-aware Model Calibration in Medical Image Segmentation
• Title（参考訳）: DOMINO: 医用画像分割におけるドメイン認識モデル校正
• Authors: Skylar E. Stolte, Kyle Volle, Aprinda Indahlastari, Alejandro Albizu, Adam J. Woods, Kevin Brink, Matthew Hale, Ruogu Fang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.346121016559024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model calibration measures the agreement between the predicted probability estimates and the true correctness likelihood. Proper model calibration is vital for high-risk applications. Unfortunately, modern deep neural networks are poorly calibrated, compromising trustworthiness and reliability. Medical image segmentation particularly suffers from this due to the natural uncertainty of tissue boundaries. This is exasperated by their loss functions, which favor overconfidence in the majority classes. We address these challenges with DOMINO, a domain-aware model calibration method that leverages the semantic confusability and hierarchical similarity between class labels. Our experiments demonstrate that our DOMINO-calibrated deep neural networks outperform non-calibrated models and state-of-the-art morphometric methods in head image segmentation. Our results show that our method can consistently achieve better calibration, higher accuracy, and faster inference times than these methods, especially on rarer classes. This performance is attributed to our domain-aware regularization to inform semantic model calibration. These findings show the importance of semantic ties between class labels in building confidence in deep learning models. The framework has the potential to improve the trustworthiness and reliability of generic medical image segmentation models. The code for this article is available at: https://github.com/lab-smile/DOMINO.
• Abstract（参考訳）: モデルキャリブレーションは予測確率推定と真正性確率との一致を測定する。 適切なモデルキャリブレーションはリスクの高いアプリケーションには不可欠である。 残念ながら、現代のディープニューラルネットワークは調整が不十分で、信頼性と信頼性を損なう。 医学的画像分割は、組織境界の自然な不確実性のために特に問題となる。 これは、多数派クラスの自信過剰を好む損失関数によって誇張される。 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活用するドメイン認識モデルキャリブレーション手法であるDOMINOを用いて,これらの課題に対処する。 実験により, ドミノキャリブト深層ニューラルネットワークは非キャリブトモデルよりも優れており, 頭部画像のセグメンテーションにおける最新形態計測手法が優れていることが示された。 以上の結果から,本手法は,特にレアクラスにおいて,キャリブレーションや高い精度,より高速な推論時間を一貫して達成できることがわかった。 この性能は、セマンティクスモデルのキャリブレーションを知らせるドメイン認識正規化によるものです。 これらの結果から,深層学習モデルの信頼性構築におけるクラスラベル間の意味的関係の重要性が示唆された。 このフレームワークは、一般的な医用画像セグメンテーションモデルの信頼性と信頼性を向上させる可能性がある。 この記事のコードは、https://github.com/lab-smile/domino.com/で入手できる。

関連論文リスト

• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Multi-Head Multi-Loss Model Calibration [13.841172927454204]
  我々は,深層アンサンブルの訓練と推論に要する費用を省く,単純化されたアンサンブルの形式を導入する。 具体的には、各頭部は、重み付きクロスエントロピー損失を最小限に抑えるために訓練されるが、重みは異なる枝によって異なる。 その結果,2つの挑戦データセットにおいて精度を犠牲にすることなく,精度の高いキャリブレーションを達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T09:32:32Z)
• DOMINO: Domain-aware Loss for Deep Learning Calibration [49.485186880996125]
  本稿では,ディープラーニングモデルの校正のためのドメイン認識損失関数を提案する。 提案した損失関数は、与えられた対象領域内のクラス間の類似性に基づいてクラスワイズペナルティを適用する。
  論文  参考訳（メタデータ） (2023-02-10T09:47:46Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Improved post-hoc probability calibration for out-of-domain MRI segmentation [18.089067656236125]
  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。
  論文  参考訳（メタデータ） (2022-08-04T20:13:19Z)
• On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
  予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。 正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。 ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
  論文  参考訳（メタデータ） (2021-06-17T11:04:14Z)
• Improved Trainable Calibration Method for Neural Networks on Medical Imaging Classification [17.941506832422192]
  経験的に、ニューラルネットワークは、しばしば彼らの予測を誤解し、過度に信ずる。 本稿では,モデルキャリブレーションを大幅に改善しつつ,全体の分類精度を維持する新しいキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2020-09-09T01:25:53Z)
• On Calibration of Mixup Training for Deep Neural Networks [1.6242924916178283]
  我々は、Mixupが必ずしも校正を改善していないという実証的な証拠を論じ、提示する。 我々の損失はベイズ決定理論にインスパイアされ、確率的モデリングの損失を設計するための新しいトレーニングフレームワークが導入された。 キャリブレーション性能を一貫した改善を施した最先端の精度を提供する。
  論文  参考訳（メタデータ） (2020-03-22T16:54:31Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。