論文の概要: Propagation and Attribution of Uncertainty in Medical Imaging Pipelines

• arxiv url: http://arxiv.org/abs/2309.16831v1
• Date: Thu, 28 Sep 2023 20:23:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 16:27:23.165895
• Title: Propagation and Attribution of Uncertainty in Medical Imaging Pipelines
• Title（参考訳）: 医用画像パイプラインにおける不確かさの伝播と寄与
• Authors: Leonhard F. Feiner, Martin J. Menten, Kerstin Hammernik, Paul Hager, Wenqi Huang, Daniel Rueckert, Rickmer F. Braren, and Georgios Kaissis
• Abstract要約: 不確実性推定は、医療画像アプリケーションのための説明可能なニューラルネットワークを構築する手段を提供する。 医用画像パイプラインにおける深層学習モデルのカスケードを介して不確実性を伝播する手法を提案する。
• 参考スコア（独自算出の注目度）: 11.65442828043714
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertainty estimation, which provides a means of building explainable neural networks for medical imaging applications, have mostly been studied for single deep learning models that focus on a specific task. In this paper, we propose a method to propagate uncertainty through cascades of deep learning models in medical imaging pipelines. This allows us to aggregate the uncertainty in later stages of the pipeline and to obtain a joint uncertainty measure for the predictions of later models. Additionally, we can separately report contributions of the aleatoric, data-based, uncertainty of every component in the pipeline. We demonstrate the utility of our method on a realistic imaging pipeline that reconstructs undersampled brain and knee magnetic resonance (MR) images and subsequently predicts quantitative information from the images, such as the brain volume, or knee side or patient's sex. We quantitatively show that the propagated uncertainty is correlated with input uncertainty and compare the proportions of contributions of pipeline stages to the joint uncertainty measure.
• Abstract（参考訳）: 医療画像アプリケーションのための説明可能なニューラルネットワークを構築する手段を提供する不確実性推定は、主に特定のタスクに焦点を当てた単一のディープラーニングモデルのために研究されている。 本稿では,医用画像パイプラインにおける深層学習モデルのカスケードを通して不確かさを伝播する手法を提案する。 これにより、パイプラインの後半段階における不確かさを集約し、後続モデルの予測のための共同不確実性尺度を得ることができる。 さらに、パイプライン内のすべてのコンポーネントのアレータリック、データベース、不確実性のコントリビューションを別々に報告できます。 脳と膝の磁気共鳴 (mr) 像を再構成し, 脳の体積, 膝側, 患者の性別などの画像から定量的情報を推定する, 現実的なイメージングパイプラインにおける本手法の有用性を実証する。 本研究では, 伝搬不確かさが入力不確かさと相関していることを定量的に示し, パイプラインステージの寄与率と結合不確かさの比率を比較した。

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)
• Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models [7.6146285961466]
  医療領域における画像翻訳作業における画像の不確実性について検討した。 我々はCycleGANを用いて、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換する。
  論文  参考訳（メタデータ） (2022-11-11T14:45:16Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• 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)
• Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior [2.0303656145222857]
  深層学習による逆医用画像タスクの不確実性はほとんど注目されていない。 大規模なデータセットでトレーニングされた深層モデルは、存在しない再建されたアウトプットに幻覚を与え、アーティファクトを生成する傾向がある。 我々は、再構成された画像のパラメータ化としてランダムに畳み込みネットワークを使用し、より深い画像と呼ばれる観測に一致させるために勾配降下を行う。
  論文  参考訳（メタデータ） (2020-08-20T08:34:51Z)
• 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)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)

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。