Fugu-MT 論文翻訳(概要): An Uncertainty Aided Framework for Learning based Liver $T

論文の概要: An Uncertainty Aided Framework for Learning based Liver $T_1\rho$ Mapping and Analysis

arxiv url: http://arxiv.org/abs/2307.02736v2
Date: Fri, 7 Jul 2023 02:31:21 GMT
ステータス: 処理完了
システム内更新日: 2023-07-10 14:37:14.542967
Title: An Uncertainty Aided Framework for Learning based Liver $T_1\rho$ Mapping and Analysis
Title（参考訳）: Liver $T_1\rho$マッピングと分析のための不確かさ支援フレームワーク
Authors: Chaoxing Huang, Vincent Wai Sun Wong, Queenie Chan, Winnie Chiu Wing Chu, Weitian Chen
Abstract要約: 肝の信頼できるマッピングのための学習に基づく定量的MRIシステムを提案する。このフレームワークは、異なる肝線維症ステージの51人のデータセットでテストされた。
参考スコア（独自算出の注目度）: 0.7087237546722617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective: Quantitative $T_1\rho$ imaging has potential for assessment of biochemical alterations of liver pathologies. Deep learning methods have been employed to accelerate quantitative $T_1\rho$ imaging. To employ artificial intelligence-based quantitative imaging methods in complicated clinical environment, it is valuable to estimate the uncertainty of the predicated $T_1\rho$ values to provide the confidence level of the quantification results. The uncertainty should also be utilized to aid the post-hoc quantitative analysis and model learning tasks. Approach: To address this need, we propose a parametric map refinement approach for learning-based $T_1\rho$ mapping and train the model in a probabilistic way to model the uncertainty. We also propose to utilize the uncertainty map to spatially weight the training of an improved $T_1\rho$ mapping network to further improve the mapping performance and to remove pixels with unreliable $T_1\rho$ values in the region of interest. The framework was tested on a dataset of 51 patients with different liver fibrosis stages. Main results: Our results indicate that the learning-based map refinement method leads to a relative mapping error of less than 3% and provides uncertainty estimation simultaneously. The estimated uncertainty reflects the actual error level, and it can be used to further reduce relative $T_1\rho$ mapping error to 2.60% as well as removing unreliable pixels in the region of interest effectively. Significance: Our studies demonstrate the proposed approach has potential to provide a learning-based quantitative MRI system for trustworthy $T_1\rho$ mapping of the liver.
Abstract（参考訳）: 目的:$T_1\rho$イメージングは肝疾患の生化学的変化を評価する可能性がある。定量的なT_1\rho$イメージングを加速するために深層学習法が用いられている。複雑な臨床環境において人工知能を用いた定量的イメージング手法を採用するためには,推定された$t_1\rho$値の不確かさを推定し,定量化結果の信頼性レベルを提供することが重要である。この不確実性は、ポストホックな定量的分析とモデル学習タスクを支援するためにも活用されるべきである。アプローチ:このニーズに対処するために、学習ベースの$t_1\rho$マッピングのためのパラメトリックマップリファインメントアプローチを提案し、不確かさをモデル化するための確率的方法でモデルを訓練する。また,改良された$t_1\rho$マッピングネットワークのトレーニングを空間的に重み付けて,マッピング性能をさらに向上させ,信頼できない$t_1\rho$値の画素を除去するための不確実性マップを提案する。この枠組みは肝線維化段階の異なる51例のデータセットでテストされた。主な結果: 学習に基づくマップリファインメント手法は, 相対的マッピング誤差が3%未満となり, 不確実性推定を同時に行なえることを示す。推定された不確実性は実際のエラーレベルを反映しており、相対的に$t_1\rho$マッピングエラーを2.60%に削減し、関心領域の信頼できないピクセルを効果的に除去するために使用できる。意義:本研究は肝のT_1\rho$マッピングに学習に基づく定量的MRIシステムを提供することの可能性を示した。

関連論文リスト

Uncertainty Estimation and Out-of-Distribution Detection for Deep Learning-Based Image Reconstruction using the Local Lipschitz [9.143327181265976]
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。
論文参考訳（メタデータ） (2023-05-12T17:17:01Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
論文参考訳（メタデータ） (2022-07-14T12:50:09Z)
Uncertainty-Aware Self-supervised Neural Network for Liver $T_{1\rho}$ Mapping with Relaxation Constraint [2.0131108402156146]
学習ベースのアプローチでは、T_1rho$の削減された画像から$T_1rho$をマッピングすることができる。既存の方法は$T_1rho$推定の信頼レベルを提供しない。本稿では,学習過程における緩和制約を用いてT_1rho$マッピングを学習する自己教師型学習ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-07-07T06:10:34Z)
Can uncertainty boost the reliability of AI-based diagnostic methods in digital pathology? [3.8424737607413157]
デジタル病理学におけるDL予測の不確実性予測を付加すると,臨床応用の価値が増大する可能性が示唆された。モデル統合手法(MCドロップアウトとディープアンサンブル)の有効性をモデル非依存アプローチと比較した。以上の結果から,不確実性推定はある程度の信頼性を高め,分類しきい値選択に対する感度を低下させる可能性が示唆された。
論文参考訳（メタデータ） (2021-12-17T10:10:00Z)
Improving accuracy and uncertainty quantification of deep learning based quantitative MRI using Monte Carlo dropout [2.290218701603077]
ドロップアウトは、通常、トレーニングフェーズ中に正規化方法として使われ、ディープラーニングにおける不確実性の定量化に使用される。我々は,トレーニング中のドロップアウトと推論ステップを用いて,不確実性を低減・定量化しながら,精度を向上させるために平均的な複数の予測を行うことを提案する。
論文参考訳（メタデータ） (2021-12-02T20:04:40Z)
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)
Integrating uncertainty in deep neural networks for MRI based stroke analysis [0.0]
2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。 CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
論文参考訳（メタデータ） (2020-08-13T09:50:17Z)
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)
Learning Expectation of Label Distribution for Facial Age and Attractiveness Estimation [65.5880700862751]
本稿では,2つの最先端手法(Ranking-CNNとDLDL)の本質的な関係を解析し,ランキング法が実際にラベル分布を暗黙的に学習していることを示す。軽量なネットワークアーキテクチャを提案し、顔属性の分布と回帰属性の値を共同で学習できる統一的なフレームワークを提案する。提案手法は,36$times$パラメータが小さく,3$times$が顔の年齢/魅力度推定における高速な推論速度を持つ単一モデルを用いて,新しい最先端結果を実現する。
論文参考訳（メタデータ） (2020-07-03T15:46:53Z)

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。