Fugu-MT 論文翻訳(概要): EVIL: Evidential Inference Learning for Trustworthy Semi-supervised Medical Image Segmentation

論文の概要: EVIL: Evidential Inference Learning for Trustworthy Semi-supervised Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2307.08988v1
Date: Tue, 18 Jul 2023 05:59:27 GMT
ステータス: 処理完了
システム内更新日: 2023-07-19 16:21:12.756700
Title: EVIL: Evidential Inference Learning for Trustworthy Semi-supervised Medical Image Segmentation
Title（参考訳）: EVIL:信頼できる半教師型医用画像セグメンテーションのためのエビデンシャル推論学習
Authors: Yingyu Chen, Ziyuan Yang, Chenyu Shen, Zhiwen Wang, Yang Qin, Yi Zhang
Abstract要約: 半教師付き医用画像セグメンテーションにEVIL(Evidential Inference Learning)を導入する。 EVILは理論上保証されたソリューションを提供し、単一の前方通過において正確な定量化の不確かさを推測する。 EVILは,公開データセット上のいくつかの最先端手法と比較して,競争性能が向上することを示す。
参考スコア（独自算出の注目度）: 7.58442624111591
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, uncertainty-aware methods have attracted increasing attention in semi-supervised medical image segmentation. However, current methods usually suffer from the drawback that it is difficult to balance the computational cost, estimation accuracy, and theoretical support in a unified framework. To alleviate this problem, we introduce the Dempster-Shafer Theory of Evidence (DST) into semi-supervised medical image segmentation, dubbed Evidential Inference Learning (EVIL). EVIL provides a theoretically guaranteed solution to infer accurate uncertainty quantification in a single forward pass. Trustworthy pseudo labels on unlabeled data are generated after uncertainty estimation. The recently proposed consistency regularization-based training paradigm is adopted in our framework, which enforces the consistency on the perturbed predictions to enhance the generalization with few labeled data. Experimental results show that EVIL achieves competitive performance in comparison with several state-of-the-art methods on the public dataset.
Abstract（参考訳）: 近年,半監督医用画像セグメンテーションにおいて不確実性認識手法が注目されている。しかし,現在の手法では計算コスト,推定精度,理論的支援のバランスが難しいという欠点がある。この問題を軽減するために,Evidential Inference Learning (EVIL) と呼ばれる半教師付き医用画像セグメンテーションにDST(Dempster-Shafer Theory of Evidence)を導入する。 EVILは理論上保証されたソリューションを提供し、単一の前方通過で正確な不確実な定量化を推測する。不確実性推定後、ラベルなしデータの信頼できる擬似ラベルを生成する。最近提案された整合性正規化に基づくトレーニングパラダイムをフレームワークに導入し,摂動予測の整合性を適用し,ラベル付きデータの少ない一般化を促進する。実験結果から, EVILは, 公開データセット上での最先端手法と比較して, 競争性能が向上することが示された。

関連論文リスト

Uncertainty-aware Evidential Fusion-based Learning for Semi-supervised Medical Image Segmentation [0.0]
本稿では,混合試料と原試料の交叉領域における明らかな予測結果を統合し,各ボクセルの信頼性度と不確実性を測定する。我々は,情報エントロピーを導入し,融合した不確実性対策と組み合わせてボクセルレベルの学習戦略を設計し,より正確にボクセル予測を推定する。 LA, Pancreas-CT, ACDC, TBADデータセットを用いた実験結果から, 提案手法の既存手法と比較して, 優れた性能を示した。
論文参考訳（メタデータ） (2024-04-09T09:58:10Z)
EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文参考訳（メタデータ） (2024-03-25T10:13:52Z)
Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文参考訳（メタデータ） (2023-12-25T20:02:51Z)
Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文参考訳（メタデータ） (2023-11-21T14:03:16Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文参考訳（メタデータ） (2023-06-08T11:54:58Z)
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)
MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
論文参考訳（メタデータ） (2022-09-26T12:04:49Z)
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)
Prediction Sets Adaptive to Unknown Covariate Shift [18.105704797438417]
有限サンプル被覆保証付き予測集合は非形式的であることを示す。そこで我々は,予測セットを効率的に構築する,新しいフレキシブルな分散フリー手法PredSet-1Stepを提案する。
論文参考訳（メタデータ） (2022-03-11T17:53:14Z)
Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文参考訳（メタデータ） (2021-12-05T08:19:41Z)

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。