論文の概要: Uncertainty Aware AI for 2D MRI Segmentation

• arxiv url: http://arxiv.org/abs/2311.14875v1
• Date: Tue, 28 Nov 2023 11:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 23:10:16.348923
• Title: Uncertainty Aware AI for 2D MRI Segmentation
• Title（参考訳）: 2次元MRI分割のための不確実性認識AI
• Authors: Lohith Konathala
• Abstract要約: 本稿では,MRIデータに用いた不確実性認識セグメンテーションモデルBA U-Netを提案する。 我々は、F1スコアとIoU(Intersection Over Union)を評価指標として、利用可能なBraTS 2020データセット上でモデルを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust uncertainty estimations are necessary in safety-critical applications of Deep Learning. One such example is the semantic segmentation of medical images, whilst deep-learning approaches have high performance in such tasks they lack interpretability as they give no indication of their confidence when making classification decisions. Robust and interpretable segmentation is a critical first stage in automatically screening for pathologies hence the optimal solution is one which can provide high accuracy but also capture the underlying uncertainty. In this work, we present an uncertainty-aware segmentation model, BA U-Net, for use on MRI data that incorporates Bayesian Neural Networks and Attention Mechanisms to provide accurate and interpretable segmentations. We evaluated our model on the publicly available BraTS 2020 dataset using F1 Score and Intersection Over Union (IoU) as evaluation metrics.
• Abstract（参考訳）: ディープラーニングの安全性クリティカルな応用には、ロバストな不確実性推定が必要である。 医用画像のセマンティックセグメンテーション(セマンティックセグメンテーション)は、深層学習のアプローチは、そのようなタスクにおいて高いパフォーマンスを持つ一方で、分類決定を行う際の信頼感の表れを示さないため、解釈可能性に欠ける。 ロバストで解釈可能なセグメンテーションは、病理の自動スクリーニングにおいて重要な第1段階であるため、最適な解は、高い精度を提供すると同時に、基礎となる不確実性も捉えることができるものである。 本研究では,ベイズニューラルネットワークとアテンションメカニズムを組み込んだMRIデータを用いて,高精度かつ解釈可能なセグメンテーションを提供する,不確実性を考慮したセグメンテーションモデルBA U-Netを提案する。 評価指標として,f1スコアとintersection over union (iou)を用いたbrats 2020データセット上で評価を行った。

関連論文リスト

• Enhanced Uncertainty Estimation in Ultrasound Image Segmentation with MSU-Net [13.489622701621698]
  MSU-Netは,U-Netのアンサンブルをトレーニングし,正確な超音波画像分割マップを生成するための,新しい多段階アプローチである。 1つのモンテカルロU-Netに対して18.1%の大幅な改善、不確実性評価の強化、モデルの透明性、信頼性を実証する。
  論文  参考訳（メタデータ） (2024-07-31T01:36:47Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Evaluation of importance estimators in deep learning classifiers for Computed Tomography [1.6710577107094642]
  ディープニューラルネットワークの解釈可能性はしばしば入力特徴の重要性を推定することに依存する。 SmoothGradは2つのバージョンが忠実度とROCランキングを上回り、Integrated GradientsとSmoothGradはDSC評価に優れていた。 モデル中心 (忠実度) と人間中心 (ROC, DSC) 評価の間には重要な相違があった。
  論文  参考訳（メタデータ） (2022-09-30T11:57:25Z)
• Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography [70.37371604119826]
  信頼性を備えたAIモデルの構築は、特に医療などの規制領域において重要である。 これまでの研究では、畳み込みニューラルネットワークをバックボーンアーキテクチャとして使用していた。 本稿では,視覚変換器を用いた特徴学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T14:55:42Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• A Feasibility study for Deep learning based automated brain tumor segmentation using Magnetic Resonance Images [0.0]
  深部畳み込みニューラルネットワーク(CNN)に基づく分類ネットワークおよび脳腫瘍MR画像分類および腫瘍局在のための高速RCNNベースの局在ネットワークが開発された。 提案した腫瘍セグメンテーションアーキテクチャの全体的な性能を,精度,境界変位誤差(BDE),Diceスコア,信頼区間などの客観的な品質パラメータを用いて解析した。 セグメント化された出力の信頼度は、専門家の信頼度と同じ範囲にあることが観察されました。
  論文  参考訳（メタデータ） (2020-12-22T12:11:42Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation [0.0]
  我々は,脳腫瘍画像のセグメント化のための変分推論技術に基づくエンコーダデコーダアーキテクチャを用いる。 Dice similarity Coefficient (DSC) と Intersection Over Union (IOU) を指標として, 公開されているBRATSデータセットの評価を行った。
  論文  参考訳（メタデータ） (2020-08-12T20:08:04Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。