論文の概要: Laplacian Segmentation Networks: Improved Epistemic Uncertainty from
Spatial Aleatoric Uncertainty
- arxiv url: http://arxiv.org/abs/2303.13123v1
- Date: Thu, 23 Mar 2023 09:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 15:04:30.083697
- Title: Laplacian Segmentation Networks: Improved Epistemic Uncertainty from
Spatial Aleatoric Uncertainty
- Title(参考訳): ラプラシアンセグメンテーションネットワーク : 空間的アレエータ的不確かさからの認識的不確実性の改善
- Authors: Kilian Zepf, Selma Wanna, Marco Miani, Juston Moore, Jes Frellsen,
S{\o}ren Hauberg, Aasa Feragen, Frederik Warburg
- Abstract要約: オフ・オブ・ディストリビューション(OOD)の医療画像は、サイトやスキャナの違いや画像の破損などにより、しばしば堅牢性に遭遇する。
OOD画像は、誤った画像セグメンテーションのリスクを伴い、下流の診断や治療に悪影響を及ぼす可能性がある。
画像セグメンテーションにおけるアレタリック(データ)の不確実性を共同でモデル化するLaplacian La Network (LSN)を提案する。
モデル不確実性を示すため,重み付け後部の1位近似法を提案する。
経験的に、空間的モデリングの画素相関が実現できることを実証する。
- 参考スコア(独自算出の注目度): 6.999386463717274
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out of distribution (OOD) medical images are frequently encountered, e.g.
because of site- or scanner differences, or image corruption. OOD images come
with a risk of incorrect image segmentation, potentially negatively affecting
downstream diagnoses or treatment. To ensure robustness to such incorrect
segmentations, we propose Laplacian Segmentation Networks (LSN) that jointly
model epistemic (model) and aleatoric (data) uncertainty in image segmentation.
We capture data uncertainty with a spatially correlated logit distribution. For
model uncertainty, we propose the first Laplace approximation of the weight
posterior that scales to large neural networks with skip connections that have
high-dimensional outputs. Empirically, we demonstrate that modelling spatial
pixel correlation allows the Laplacian Segmentation Network to successfully
assign high epistemic uncertainty to out-of-distribution objects appearing
within images.
- Abstract(参考訳): オフ・オブ・ディストリビューション(OOD)の医療画像は、サイトやスキャナの違いや画像の破損などによって頻繁に遭遇する。
OOD画像は誤った画像セグメンテーションのリスクがあり、下流の診断や治療に悪影響を及ぼす可能性がある。
このような不正確なセグメンテーションに対するロバスト性を確保するために,画像セグメンテーションにおける認識論的(モデル)とアレテータ的(データ)の不確かさを共同でモデル化するラプラシアンセグメンテーションネットワーク(lsn)を提案する。
空間的相関のあるロジット分布でデータの不確かさを捉える。
モデル不確実性について、高次元出力を持つスキップ接続を持つ大型ニューラルネットワークにスケールする重み後部の最初のラプラス近似を提案する。
実験により,空間的画素相関のモデル化により,ラプラシアンセグメンテーションネットワークは画像内に存在する分布外物体に対して高い認識の不確かさを割り当てることに成功した。
関連論文リスト
- Investigating and Improving Latent Density Segmentation Models for
Aleatoric Uncertainty Quantification in Medical Imaging [21.311726807879456]
Sinkhorn PU-Net は Sinkhorn Divergence を用いてすべての潜在次元の均一性を促進する。
以上の結果から,SPU-Netは各種臨床分離問題の公開データセットにこれを適用することで,最大11%のパフォーマンス向上を達成できた。
論文 参考訳(メタデータ) (2023-07-31T14:09:03Z) - 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) - DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
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。
論文 参考訳(メタデータ) (2022-09-13T15:31:52Z) - 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) - Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation [31.396372591714695]
unsupervised anomaly segmentation (UAS) は医療画像コミュニティにおいて有望な分野である。
本稿では,健康データ分布のモデル化過程における健康な解剖学の意味空間について紹介する。
BraTSとISLESデータベースの実験結果は、提案されたアプローチが大幅に優れたパフォーマンスを達成することを示しています。
論文 参考訳(メタデータ) (2021-03-16T14:15:30Z) - 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) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-11T23:53:51Z) - 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) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳(メタデータ) (2020-08-03T07:56:04Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z) - Stochastic Segmentation Networks: Modelling Spatially Correlated
Aleatoric Uncertainty [32.33791302617957]
画像セグメンテーションネットワークアーキテクチャを用いてアレータティック不確実性をモデル化するための効率的な確率的手法であるセグメンテーションネットワーク(SSN)を導入する。
SSNは単一の画像に対して複数の空間的コヒーレント仮説を生成することができる。
2次元CTでは肺結節,3次元MRIでは脳腫瘍を含む実世界の医療データのセグメンテーションについて検討した。
論文 参考訳(メタデータ) (2020-06-10T18:06:41Z)
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。