論文の概要: Exploring Structure-Wise Uncertainty for 3D Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2211.00303v1
- Date: Tue, 1 Nov 2022 06:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:36:59.479266
- Title: Exploring Structure-Wise Uncertainty for 3D Medical Image Segmentation
- Title(参考訳): 3次元医用画像セグメンテーションのための構造幅不確かさの探索
- Authors: Anton Vasiliuk, Daria Frolova, Mikhail Belyaev, Boris Shirokikh
- Abstract要約: ボクセルワイドの不確実性は、人間の専門家にとって有用な視覚マーカーである。
構造的不確実性を測定し,OODデータがモデル性能に与える影響を評価する枠組みを提案する。
- 参考スコア(独自算出の注目度): 0.06117371161379209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When applying a Deep Learning model to medical images, it is crucial to
estimate the model uncertainty. Voxel-wise uncertainty is a useful visual
marker for human experts and could be used to improve the model's voxel-wise
output, such as segmentation. Moreover, uncertainty provides a solid foundation
for out-of-distribution (OOD) detection, improving the model performance on the
image-wise level. However, one of the frequent tasks in medical imaging is the
segmentation of distinct, local structures such as tumors or lesions. Here, the
structure-wise uncertainty allows more precise operations than image-wise and
more semantic-aware than voxel-wise. The way to produce uncertainty for
individual structures remains poorly explored. We propose a framework to
measure the structure-wise uncertainty and evaluate the impact of OOD data on
the model performance. Thus, we identify the best UE method to improve the
segmentation quality. The proposed framework is tested on three datasets with
the tumor segmentation task: LIDC-IDRI, LiTS, and a private one with multiple
brain metastases cases.
- Abstract(参考訳): 医学画像にディープラーニングモデルを適用する場合,モデルの不確かさを推定することが重要である。
ボクセルワイドの不確実性は、人間の専門家にとって有用な視覚マーカーであり、セグメンテーションのようなモデルのボクセルワイド出力を改善するために使用できる。
さらに、不確実性は、オフ・オブ・ディストリビューション(OOD)検出のための確かな基盤を提供し、画像レベルでのモデル性能を向上させる。
しかし、医用画像における頻繁な課題の1つは、腫瘍や病変など、異なる局所構造の分割である。
ここでは、構造的不確実性は、画像的および意味論的に認識されるものよりも、より正確な操作を可能にする。
個々の構造に対する不確実性を生み出す方法はいまだに調査されていない。
構造的不確実性を測定し,OODデータがモデル性能に与える影響を評価する枠組みを提案する。
そこで本研究では,セグメンテーション品質を改善するための最適なUE法を提案する。
このフレームワークは、LIDC-IDRI、LiTS、および複数の脳転移症例を持つプライベートデータセットの3つのデータセットでテストされている。
関連論文リスト
- Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。
LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
論文 参考訳(メタデータ) (2024-07-02T03:56:20Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳(メタデータ) (2024-03-19T17:57:24Z) - 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) - Analysing the effectiveness of a generative model for semi-supervised
medical image segmentation [23.898954721893855]
自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。
半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。
セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
論文 参考訳(メタデータ) (2022-11-03T15:19:59Z) - 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) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty
Estimation in 3D Cardiac MRI Image Segmentation [0.0]
画素レベル(セグメンテーション)タスクと幾何学レベル(距離マップ)タスクの相関を強制するマルチタスククロスタスク学習整合性アプローチを提案する。
本研究は、与えられたモデルから低品質セグメンテーションをフラグする我々のモデルの可能性をさらに示すものである。
論文 参考訳(メタデータ) (2021-09-16T03:53:24Z) - Uncertainty Quantification in Medical Image Segmentation with
Multi-decoder U-Net [3.961279440272763]
医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。
複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。
提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
論文 参考訳(メタデータ) (2021-09-15T01:46:29Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z)
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。