論文の概要: Structural-Based Uncertainty in Deep Learning Across Anatomical Scales:
Analysis in White Matter Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2311.08931v1
- Date: Wed, 15 Nov 2023 13:04:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 15:54:54.923254
- Title: Structural-Based Uncertainty in Deep Learning Across Anatomical Scales:
Analysis in White Matter Lesion Segmentation
- Title（参考訳）: 解剖学的尺度における深層学習における構造的不確実性:ホワイトマター病変セグメンテーションの分析
- Authors: Nataliia Molchanova, Vatsal Raina, Andrey Malinin, Francesco La Rosa,
Adrien Depeursinge, Mark Gales, Cristina Granziera, Henning Muller, Mara
Graziani, Meritxell Bach Cuadra
- Abstract要約: 不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。
我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。
症例172例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測した。
- 参考スコア（独自算出の注目度）: 8.931762177469373
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper explores uncertainty quantification (UQ) as an indicator of the
trustworthiness of automated deep-learning (DL) tools in the context of white
matter lesion (WML) segmentation from magnetic resonance imaging (MRI) scans of
multiple sclerosis (MS) patients. Our study focuses on two principal aspects of
uncertainty in structured output segmentation tasks. Firstly, we postulate that
a good uncertainty measure should indicate predictions likely to be incorrect
with high uncertainty values. Second, we investigate the merit of quantifying
uncertainty at different anatomical scales (voxel, lesion, or patient). We
hypothesize that uncertainty at each scale is related to specific types of
errors. Our study aims to confirm this relationship by conducting separate
analyses for in-domain and out-of-domain settings. Our primary methodological
contributions are (i) the development of novel measures for quantifying
uncertainty at lesion and patient scales, derived from structural prediction
discrepancies, and (ii) the extension of an error retention curve analysis
framework to facilitate the evaluation of UQ performance at both lesion and
patient scales. The results from a multi-centric MRI dataset of 172 patients
demonstrate that our proposed measures more effectively capture model errors at
the lesion and patient scales compared to measures that average voxel-scale
uncertainty values. We provide the UQ protocols code at
https://github.com/Medical-Image-Analysis-Laboratory/MS_WML_uncs.
- Abstract（参考訳）: 多発性硬化症(MS)患者のMRI(MRI)による白質病変(WML)セグメンテーションの文脈における自動ディープラーニング(DL)ツールの信頼性の指標として不確実性定量化(UQ)を検討する。
本研究は,構造的出力セグメンテーションタスクにおける不確実性の2つの主要な側面に焦点を当てた。
まず,良質な不確実性尺度は,高い不確実性値で不正確になる可能性のある予測を示すべきであると仮定する。
第2に、異なる解剖学的尺度(ボクセル、病変、患者)における不確かさを定量化する利点について検討する。
各スケールにおける不確実性は、特定のタイプのエラーと関連していると仮定する。
本研究の目的は,ドメイン内設定とドメイン外設定を別々に分析することで,この関係を確かめることである。
私たちの主な方法論的貢献は
一 構造的予測の相違から発生した、病変及び患者規模の不確かさの定量化のための新しい尺度の開発
(ii) 病変および患者のスケールにおけるuq性能の評価を容易にするためのエラー保持曲線解析フレームワークの拡張。
症例172例の多心MRIデータから, 平均ボキセルスケール不確かさ値と比較して, 病変や患者スケールのモデル誤差をより効果的に捉えた結果が得られた。
uqプロトコルコードはhttps://github.com/medical-image- analysis-laboratory/ms_wml_uncsで提供します。
関連論文リスト
- Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis [33.91263917157504]
不確実性定量化(UQ)は人工知能システムの信頼性を評価する上で重要である。
本研究では,磁気共鳴画像における焦点病変分割のための深層学習モデルにおけるインスタンス単位の不確実性値の解釈可能性について検討する。
論文 参考訳（メタデータ） (2024-07-08T09:13:30Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T13:44:55Z) - 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) - Novel structural-scale uncertainty measures and error retention curves:
application to multiple sclerosis [9.295643448425182]
磁気共鳴画像(MRI)における白質病変(WML)セグメンテーションの不確実性評価に焦点をあてる。
一方、ボクセルスケールのセグメンテーションエラーは、病変の誤行を引き起こすが、他方では、病変サイズの検出エラーは、間違った病変数を引き起こす。
本研究の目的は, セグメンテーションと病変検出に関する誤差をそれぞれ捉えるために, 異なるボクセルと病変スケールの不確実性対策の能力を比較することである。
論文 参考訳（メタデータ） (2022-11-09T11:53:29Z) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z) - 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) - 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) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。