論文の概要: Unsupervised out-of-distribution detection for safer robotically guided retinal microsurgery

• arxiv url: http://arxiv.org/abs/2304.05040v2
• Date: Wed, 3 May 2023 14:23:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 17:34:35.917305
• Title: Unsupervised out-of-distribution detection for safer robotically guided retinal microsurgery
• Title（参考訳）: 安全ガイド下網膜微小手術における非教師的分布検出
• Authors: Alain Jungo, Lars Doorenbos, Tommaso Da Col, Maarten Beelen, Martin Zinkernagel, Pablo M\'arquez-Neila, Raphael Sznitman
• Abstract要約: 本研究は、OoD検出器を用いて、ii OCTプローブからの画像が機械学習による距離推定に不適切であるかどうかを特定することの実現可能性について検討する。 マハラノビス距離に基づく単純なOoD検出器が、実際の外生ブタの眼から得られた劣化サンプルをうまく除去できることを示す。
• 参考スコア（独自算出の注目度）: 1.4367226581254677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: A fundamental problem in designing safe machine learning systems is identifying when samples presented to a deployed model differ from those observed at training time. Detecting so-called out-of-distribution (OoD) samples is crucial in safety-critical applications such as robotically guided retinal microsurgery, where distances between the instrument and the retina are derived from sequences of 1D images that are acquired by an instrument-integrated optical coherence tomography (iiOCT) probe. Methods: This work investigates the feasibility of using an OoD detector to identify when images from the iiOCT probe are inappropriate for subsequent machine learning-based distance estimation. We show how a simple OoD detector based on the Mahalanobis distance can successfully reject corrupted samples coming from real-world ex vivo porcine eyes. Results: Our results demonstrate that the proposed approach can successfully detect OoD samples and help maintain the performance of the downstream task within reasonable levels. MahaAD outperformed a supervised approach trained on the same kind of corruptions and achieved the best performance in detecting OoD cases from a collection of iiOCT samples with real-world corruptions. Conclusion: The results indicate that detecting corrupted iiOCT data through OoD detection is feasible and does not need prior knowledge of possible corruptions. Consequently, MahaAD could aid in ensuring patient safety during robotically guided microsurgery by preventing deployed prediction models from estimating distances that put the patient at risk.
• Abstract（参考訳）: 目的: 安全な機械学習システムを設計する上での基本的な問題は、デプロイされたモデルに提示されたサンプルがトレーニング時に観測されたものとは異なる場合の識別である。 いわゆるオフ・オブ・ディストリビューション(OoD)サンプルの検出は、ロボットガイドによる網膜微小手術(英語版)のような安全上重要な応用において不可欠であり、楽器と網膜の間の距離は、計器積分光コヒーレンス断層撮影(英語版) (iiOCT) プローブによって取得された1D画像のシーケンスから導かれる。 方法: 本研究は, iioctプローブからの画像が後続の機械学習に基づく距離推定に不適切である場合の識別にood検出器を用いた場合の可能性を検討する。 マハラノビス距離に基づく単純なOoD検出器が、実際の外生ブタの眼から得られた劣化サンプルをうまく除去できることを示す。 結果: 提案手法はOoDサンプルの検出に成功し, ダウンストリームタスクの性能を妥当なレベルに維持できることを示した。 MahaADは、同じ種類の汚職で訓練された監督されたアプローチを上回り、現実世界の汚職を伴うiiOCTサンプルのコレクションからOoDのケースを検出する最高のパフォーマンスを達成した。 結論: ood検出による劣化したiioctデータの検出は実現可能であり,腐敗の可能性に関する事前知識は不要である。 その結果、mahaadは、患者を危険にさらす距離の推定をデプロイされた予測モデルが防ぎ、ロボットガイドによるマイクロサージの際の患者の安全性を確保するのに役立つ。

関連論文リスト

• Beyond Perceptual Distances: Rethinking Disparity Assessment for Out-of-Distribution Detection with Diffusion Models [28.96695036746856]
  Out-of-Distribution (OoD) 検出は、与えられたサンプルが分類器アンダープロテクションのトレーニング分布からのものであるかどうかを正当化することを目的としている。 DMベースの手法は、この分野に新たな洞察をもたらすが、未調査のままである。 本研究は、DM法における最先端検出性能を広範囲にわたる実験で実証した。
  論文  参考訳（メタデータ） (2024-09-16T08:50:47Z)
• Histogram- and Diffusion-Based Medical Out-of-Distribution Detection [2.9359784266087106]
  ヒストグラム法と拡散法を組み合わせたパイプラインを提案する。 提案手法は, ぼかしおよびバイアス場サンプルに敏感であるが, 解剖学的変形, 黒スライス, スワップパッチによる課題に直面している。 これらの結果から,医用画像のOOD検出におけるDDPMの性能向上にはさらなる研究が必要であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T18:26:48Z)
• One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities [0.0]
  本稿では,シャムパッチを用いた自動エンコーダによって構築された潜在空間に基づく教師なし異常検出(UAD)手法を提案する。 これまでに報告された2つの最先端手法と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-04-17T08:19:23Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• 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)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。