論文の概要: EvidenceCap: Towards trustworthy medical image segmentation via
evidential identity cap
- arxiv url: http://arxiv.org/abs/2301.00349v1
- Date: Sun, 1 Jan 2023 05:02:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 15:57:32.075796
- Title: EvidenceCap: Towards trustworthy medical image segmentation via
evidential identity cap
- Title（参考訳）: EvidenceCap: 明白なアイデンティティキャップによる信頼できる医療画像セグメンテーションを目指して
- Authors: Ke Zou and Xuedong Yuan and Xiaojing Shen and Yidi Chen and Meng Wang
and Rick Siow Mong Goh and Yong Liu and Huazhu Fu
- Abstract要約: 本研究では,不確実性推定によりボックスを定量的に透過するEvidenceCapという基礎モデルを提案する。
3つのセグメンテーションデータセットでEvidenceCapの有効性を示し,それを臨床に応用した。
- 参考スコア（独自算出の注目度）: 36.54764157162341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation (MIS) is essential for supporting disease
diagnosis and treatment effect assessment. Despite considerable advances in
artificial intelligence (AI) for MIS, clinicians remain skeptical of its
utility, maintaining low confidence in such black box systems, with this
problem being exacerbated by low generalization for out-of-distribution (OOD)
data. To move towards effective clinical utilization, we propose a foundation
model named EvidenceCap, which makes the box transparent in a quantifiable way
by uncertainty estimation. EvidenceCap not only makes AI visible in regions of
uncertainty and OOD data, but also enhances the reliability, robustness, and
computational efficiency of MIS. Uncertainty is modeled explicitly through
subjective logic theory to gather strong evidence from features. We show the
effectiveness of EvidenceCap in three segmentation datasets and apply it to the
clinic. Our work sheds light on clinical safe applications and explainable AI,
and can contribute towards trustworthiness in the medical domain.
- Abstract（参考訳）: 医療イメージセグメンテーション(MIS)は、疾患の診断と治療効果評価を支援するために不可欠である。
MISの人工知能(AI)の進歩にもかかわらず、臨床医はその実用性に懐疑的であり、そのようなブラックボックスシステムの信頼性は低いが、この問題はアウト・オブ・ディストリビューション(OOD)データの低一般化によって悪化している。
有効な臨床利用に向けて,不確実性推定によりボックスを定量的に透明化するEvidenceCapという基礎モデルを提案する。
EvidenceCapは、不確実性とOODデータの領域でAIを可視化するだけでなく、MISの信頼性、堅牢性、計算効率を高める。
不確かさは主観論理理論を通じて明確にモデル化され、特徴から強い証拠を集める。
3つのセグメンテーションデータセットでEvidenceCapの有効性を示し,それを臨床に応用した。
私たちの研究は、臨床安全応用と説明可能なaiに光を当て、医療領域の信頼性に寄与します。
関連論文リスト
- Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。
PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。
複数のデータセットに対する実験結果は、PAALの優位性を示している。
論文 参考訳（メタデータ） (2024-05-01T11:12:08Z) - EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。
複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文 参考訳（メタデータ） (2024-03-25T10:13:52Z) - Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
深層学習は高い予測精度と不確実性推定を実現することが示されている。
テスト時の入力画像のゆがみは、パフォーマンスを著しく低下させる可能性がある。
LaDiNEは,入力画像から情報および不変潜伏変数を推定できる,新規で堅牢な確率的手法である。
論文 参考訳（メタデータ） (2023-10-24T15:53:07Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳（メタデータ） (2022-06-09T13:06:51Z) - Bayesian autoencoders with uncertainty quantification: Towards
trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。
不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。
本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文 参考訳（メタデータ） (2022-02-25T12:20:04Z) - 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) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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)
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。