論文の概要: Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models

• arxiv url: http://arxiv.org/abs/2211.06250v1
• Date: Fri, 11 Nov 2022 14:45:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:55:30.075741
• Title: Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models
• Title（参考訳）: 医療生成モデルにおける不確かさと分布検出の相違
• Authors: Kumud Lakara and Matias Valdenegro-Toro
• Abstract要約: 医療領域における画像翻訳作業における画像の不確実性について検討した。 我々はCycleGANを用いて、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換する。
• 参考スコア（独自算出の注目度）: 7.6146285961466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trusting the predictions of deep learning models in safety critical settings such as the medical domain is still not a viable option. Distentangled uncertainty quantification in the field of medical imaging has received little attention. In this paper, we study disentangled uncertainties in image to image translation tasks in the medical domain. We compare multiple uncertainty quantification methods, namely Ensembles, Flipout, Dropout, and DropConnect, while using CycleGAN to convert T1-weighted brain MRI scans to T2-weighted brain MRI scans. We further evaluate uncertainty behavior in the presence of out of distribution data (Brain CT and RGB Face Images), showing that epistemic uncertainty can be used to detect out of distribution inputs, which should increase reliability of model outputs.
• Abstract（参考訳）: 医療領域などの安全上重要な設定において、ディープラーニングモデルの予測を信頼することは、まだ有効な選択肢ではありません。 医用画像の分野における不確実性定量化は注目されていない。 本稿では,医療領域における画像翻訳作業における画像の不確実性について検討する。 我々は、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換するためにCycleGANを使用して、Ensembles、Flipout、DropConnectといった複数の不確実性定量化手法を比較した。 さらに,分布データ(Brain CTおよびRGB Face Images)の存在下での不確実性を評価することにより,分布入力の検出に疫学的不確実性を用いることで,モデル出力の信頼性が向上することを示す。

関連論文リスト

• Trustworthy Contrast-enhanced Brain MRI Synthesis [27.43375565176473]
  多モード医用画像翻訳は、CE-MRI画像を他のモダリティから合成することを目的としている。 マルチモーダル回帰問題として,複数対1の医用画像翻訳問題を再構成する信頼性の高い新しい手法であるTrustI2Iを紹介する。
  論文  参考訳（メタデータ） (2024-07-10T05:17:01Z)
• Propagation and Attribution of Uncertainty in Medical Imaging Pipelines [11.65442828043714]
  不確実性推定は、医療画像アプリケーションのための説明可能なニューラルネットワークを構築する手段を提供する。 医用画像パイプラインにおける深層学習モデルのカスケードを介して不確実性を伝播する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-28T20:23:25Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Integrating uncertainty in deep neural networks for MRI based stroke analysis [0.0]
  2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。 CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
  論文  参考訳（メタデータ） (2020-08-13T09:50:17Z)
• 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)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)
• Validating uncertainty in medical image translation [7.565565370757736]
  我々は,CT-to-MR画像翻訳タスクにおける不確実性を推定するためにドロップアウトを用いて検討する。 いずれのタイプの不確実性も、定義した通りに捕捉され、出力の不確実性推定の信頼性が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-11T19:06:54Z)

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。