論文の概要: Uncertainty Aware AI for 2D MRI Segmentation
- arxiv url: http://arxiv.org/abs/2311.14875v2
- 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 23:10:33.641698
- 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
- Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳(メタデータ) (2024-01-24T18:49:30Z) - Structural-Based Uncertainty in Deep Learning Across Anatomical Scales:
Analysis in White Matter Lesion Segmentation [8.931762177469373]
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。
論文 参考訳(メタデータ) (2023-11-15T13:04:57Z) - 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) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-06T16:30:43Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳(メタデータ) (2021-11-10T22:46:05Z) - Uncertainty Quantification in Medical Image Segmentation with
Multi-decoder U-Net [3.961279440272763]
医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。
複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。
提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
論文 参考訳(メタデータ) (2021-09-15T01:46:29Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳(メタデータ) (2021-05-28T09:23:05Z) - Exploring Robustness of Unsupervised Domain Adaptation in Semantic
Segmentation [74.05906222376608]
クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。
i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
論文 参考訳(メタデータ) (2021-05-23T01:50:44Z) - 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) - 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) - 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。