論文の概要: Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz
- arxiv url: http://arxiv.org/abs/2305.07618v3
- Date: Fri, 1 Dec 2023 16:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 18:42:54.603099
- Title: Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz
- Title（参考訳）: 局所リプシッツを用いた深層学習画像再構成における不確かさ推定と分布外検出
- Authors: Danyal F. Bhutto, Bo Zhu, Jeremiah Z. Liu, Neha Koonjoo, Hongwei B.
Li, Bruce R. Rosen, and Matthew S. Rosen
- Abstract要約: 画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
診断のために、与えられた入力がトレーニングデータ分布に該当するかどうかを評価することが不可欠である。
分布外画像と分布内画像とを99.94%の曲線下領域で識別するための局所リプシッツ計量に基づく手法を提案する。
- 参考スコア（独自算出の注目度）: 9.143327181265976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate image reconstruction is at the heart of diagnostics in medical
imaging. Supervised deep learning-based approaches have been investigated for
solving inverse problems including image reconstruction. However, these trained
models encounter unseen data distributions that are widely shifted from
training data during deployment. Therefore, it is essential to assess whether a
given input falls within the training data distribution for diagnostic
purposes. Uncertainty estimation approaches exist but focus on providing an
uncertainty map to radiologists, rather than assessing the training
distribution fit. In this work, we propose a method based on the local
Lipschitz-based metric to distinguish out-of-distribution images from
in-distribution with an area under the curve of 99.94%. Empirically, we
demonstrate a very strong relationship between the local Lipschitz value and
mean absolute error (MAE), supported by a high Spearman's rank correlation
coefficient of 0.8475, which determines the uncertainty estimation threshold
for optimal model performance. Through the identification of false positives,
the local Lipschitz and MAE relationship was used to guide data augmentation
and reduce model uncertainty. Our study was validated using the AUTOMAP
architecture for sensor-to-image Magnetic Resonance Imaging (MRI)
reconstruction. We compare our proposed approach with baseline methods:
Monte-Carlo dropout and deep ensembles, and further analysis included MRI
denoising and Computed Tomography (CT) sparse-to-full view reconstruction using
UNET architectures. We show that our approach is applicable to various
architectures and learned functions, especially in the realm of medical image
reconstruction, where preserving the diagnostic accuracy of reconstructed
images remains paramount.
- Abstract（参考訳）: 正確な画像再構成は、医用画像の診断の中心にある。
画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
しかし、これらのトレーニングされたモデルは、デプロイ中にトレーニングデータから大きく移行した、目に見えないデータ分散に遭遇する。
したがって、ある入力が、診断目的でトレーニングデータ分布に含まれるかどうかを評価することが不可欠である。
不確実性推定アプローチは存在するが、トレーニング分布の適合性を評価するのではなく、放射線科医に不確実性マップを提供することに重点を置いている。
そこで本研究では,局所リプシッツ基準に基づく分布画像と,99.94%の曲線下の領域の分布とを区別する手法を提案する。
実験により, 局所リプシッツ値と平均絶対誤差(MAE)との間には, 高スピアマンランク相関係数0.8475の強い相関関係が示され, 最適モデル性能の不確実性推定閾値が決定される。
偽陽性の同定により, 局所リプシッツとMAEの関係はデータ増大を誘導し, モデルの不確実性を低減した。
磁気共鳴画像(MRI)の再構成にAUTOMAPアーキテクチャを用いて検討を行った。
提案手法と, モンテカルロのドロップアウトと深層アンサンブルを比較し, さらなる解析には, UNET アーキテクチャを用いたMRI denoising and Computed Tomography (CT) Sparse-to-full view reconstruction が用いられた。
本手法は, 様々なアーキテクチャや学習機能, 特に医用画像再構成の領域において, 再構成画像の診断精度の維持が最重要でありながら適用可能であることを示す。
関連論文リスト
- Hierarchical uncertainty estimation for learning-based registration in neuroimaging [10.964653898591413]
本研究では,空間的位置の程度で推定される不確実性を伝播する原理的手法を提案する。
実験により,脳MRI画像の登録精度が向上することが確認された。
論文 参考訳（メタデータ） (2024-10-11T23:12:16Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - Unveiling Fairness Biases in Deep Learning-Based Brain MRI
Reconstruction [11.766644467766557]
MRIの深層学習(DL)再建は画像の忠実度の向上と取得時間の短縮につながった。
DLアルゴリズムの公平性、特に人口統計学的特徴の観点から考えることが不可欠である。
本研究は, DLを用いた脳MRI再構成モデルにおける最初の公平性解析である。
論文 参考訳（メタデータ） (2023-09-25T11:07:25Z) - PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI
using Deep Pixel Classification [0.0]
画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。
提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。
PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
論文 参考訳（メタデータ） (2023-02-28T22:26:18Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Joint reconstruction and bias field correction for undersampled MR
imaging [7.409376558513677]
k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。
ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。
本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
論文 参考訳（メタデータ） (2020-07-26T12:58:34Z) - 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)
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。