論文の概要: Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise

• arxiv url: http://arxiv.org/abs/2301.01054v1
• Date: Tue, 3 Jan 2023 11:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 14:21:44.629407
• Title: Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise
• Title（参考訳）: ドメインシフトとラベルノイズ下での病理像を用いた共通不確実性推定手法のベンチマーク
• Authors: Hendrik A. Mehrtens, Alexander Kurz, Tabea-Clara Bucher, Titus J. Brinker
• Abstract要約: ドメインシフト下の全スライディング画像の分類において,最もよく用いられる不確実性とロバスト性の評価を行った。 手法のアンサンブルが一般的により高い精度とキャリブレーションをもたらすことを観察する。 方法全体で、最も不確実なタイルの拒絶は、分類精度を著しく向上させる。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the past years, deep learning has seen an increase of usage in the domain of histopathological applications. However, while these approaches have shown great potential, in high-risk environments deep learning models need to be able to judge their own uncertainty and be able to reject inputs when there is a significant chance of misclassification. In this work, we conduct a rigorous evaluation of the most commonly used uncertainty and robustness methods for the classification of Whole-Slide-Images under domain shift using the H\&E stained Camelyon17 breast cancer dataset. Although it is known that histopathological data can be subject to strong domain shift and label noise, to our knowledge this is the first work that compares the most common methods for uncertainty estimation under these aspects. In our experiments, we compare Stochastic Variational Inference, Monte-Carlo Dropout, Deep Ensembles, Test-Time Data Augmentation as well as combinations thereof. We observe that ensembles of methods generally lead to higher accuracies and better calibration and that Test-Time Data Augmentation can be a promising alternative when choosing an appropriate set of augmentations. Across methods, a rejection of the most uncertain tiles leads to a significant increase in classification accuracy on both in-distribution as well as out-of-distribution data. Furthermore, we conduct experiments comparing these methods under varying conditions of label noise. We observe that the border regions of the Camelyon17 dataset are subject to label noise and evaluate the robustness of the included methods against different noise levels. Lastly, we publish our code framework to facilitate further research on uncertainty estimation on histopathological data.
• Abstract（参考訳）: 近年,病理組織学的応用分野におけるディープラーニングの利用が増加している。 しかし、これらのアプローチは大きな可能性を秘めているが、高リスク環境では、ディープラーニングモデルが自身の不確実性を判断し、大きな誤分類の可能性がある場合に入力を拒否できる必要がある。 本研究では,H\&E染色Camelyon17乳がんデータセットを用いて,領域シフト下でのWhole-Slide-Imagesの分類において,最もよく用いられる不確実性と堅牢性について厳密な評価を行った。 病理学的データは強いドメインシフトとラベルノイズの影響を受けることが知られているが、我々の知る限り、これらの点において最も一般的な不確実性推定法と比較した最初の研究である。 実験では,確率的変分推論,モンテカルロ・ドロップアウト,深層アンサンブル,テスト時間データ拡張,それらの組み合わせを比較した。 提案手法のアンサンブルは一般に高い精度とより良いキャリブレーションにつながり、テスト時のデータ拡張は適切な拡張集合を選択する際に有望な代替手段となることを観察する。 方法全体では、最も不確実なタイルの拒絶は、分布内および分布外データの両方の分類精度を著しく向上させる。 さらに,これらの手法をラベルノイズの異なる条件下で比較する実験を行った。 我々は,Camelyon17データセットの境界領域がラベルノイズにさらされていることを観察し,異なるノイズレベルに対する包含された手法の堅牢性を評価する。 最後に,病理組織学的データに対する不確実性推定のさらなる研究を促進するために,コードフレームワークを公開する。

関連論文リスト

• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Evidential Uncertainty Quantification: A Variance-Based Perspective [0.43536523356694407]
  回帰から分類への分散に基づくアプローチを適応し,クラスレベルでの分類の不確実性を定量化する。 クロスドメインデータセットの実験は、分散ベースのアプローチが、アクティブドメイン適応におけるエントロピーベースのデータセットと同等の精度をもたらすだけでなく、より正確な結果をもたらすことを示すために行われた。
  論文  参考訳（メタデータ） (2023-11-19T16:33:42Z)
• Semi-Supervised Deep Regression with Uncertainty Consistency and Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
  我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。 整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。 実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-02-15T10:40:51Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Empirical Frequentist Coverage of Deep Learning Uncertainty Quantification Procedures [13.890139530120164]
  本研究では,不確実性定量化手法の実証的頻繁性カバレッジ特性について,最初の大規模評価を行った。 一般に,いくつかの手法は分布サンプルにおいて望ましいカバレッジ特性を実現するが,分布外データではカバレッジが維持されない。
  論文  参考訳（メタデータ） (2020-10-06T21:22:46Z)
• Identifying Causal-Effect Inference Failure with Uncertainty-Aware Models [41.53326337725239]
  本稿では,不確実性推定を最先端のニューラルネットワーク手法のクラスに統合する実践的アプローチを提案する。 提案手法は,高次元データに共通する「非オーバーラップ」の状況に優雅に対処できることを示す。 正確なモデリングの不確実性は、過度に自信を持ち、潜在的に有害なレコメンデーションを与えるのを防ぐことができる。
  論文  参考訳（メタデータ） (2020-07-01T00:37:41Z)

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。