論文の概要: Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI
- arxiv url: http://arxiv.org/abs/2312.02167v1
- Date: Mon, 30 Oct 2023 13:44:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 15:12:14.807148
- Title: Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI
- Title（参考訳）: 機械学習に基づくセグメンテーションにおける不確かさの定量化:MRIにおける左室容積推定のためのポストホックアプローチ
- Authors: F. Terhag, P. Knechtges, A. Basermann, R. Tempone
- Abstract要約: 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。
- 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: Recent studies have confirmed cardiovascular diseases remain responsible for
highest death toll amongst non-communicable diseases. Accurate left ventricular
(LV) volume estimation is critical for valid diagnosis and management of
various cardiovascular conditions, but poses significant challenge due to
inherent uncertainties associated with segmentation algorithms in magnetic
resonance imaging (MRI). Recent machine learning advancements, particularly
U-Net-like convolutional networks, have facilitated automated segmentation for
medical images, but struggles under certain pathologies and/or different
scanner vendors and imaging protocols. This study proposes a novel methodology
for post-hoc uncertainty estimation in LV volume prediction using It\^{o}
stochastic differential equations (SDEs) to model path-wise behavior for the
prediction error. The model describes the area of the left ventricle along the
heart's long axis. The method is agnostic to the underlying segmentation
algorithm, facilitating its use with various existing and future segmentation
technologies. The proposed approach provides a mechanism for quantifying
uncertainty, enabling medical professionals to intervene for unreliable
predictions. This is of utmost importance in critical applications such as
medical diagnosis, where prediction accuracy and reliability can directly
impact patient outcomes. The method is also robust to dataset changes, enabling
application for medical centers with limited access to labeled data. Our
findings highlight the proposed uncertainty estimation methodology's potential
to enhance automated segmentation robustness and generalizability, paving the
way for more reliable and accurate LV volume estimation in clinical settings as
well as opening new avenues for uncertainty quantification in biomedical image
segmentation, providing promising directions for future research.
- Abstract（参考訳）: 近年の研究では、心臓血管疾患が非感染性疾患の死亡率が最高であることが確認されている。
左室容積推定は各種心血管疾患の診断・管理に重要であるが,MRI(MRI)におけるセグメンテーションアルゴリズムに係わる不確実性から重要な課題である。
近年の機械学習の進歩、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するが、特定の病理や異なるスキャナーベンダーやイメージングプロトコルで苦労している。
本研究では,予測誤差のパスワイズ挙動をモデル化するために, it\^{o}確率微分方程式 (sdes) を用いたlv容積予測におけるポストホック不確実性推定手法を提案する。
このモデルは、心臓の長軸に沿って左室の面積を記述している。
この方法は、基礎となるセグメンテーションアルゴリズムとは無関係であり、様々な既存および将来のセグメンテーション技術での使用を容易にする。
提案手法は不確かさを定量化するメカニズムを提供し、医療専門家が信頼できない予測に介入できるようにする。
これは、予測精度と信頼性が患者の結果に直接影響を及ぼす医療診断などの重要な応用において最も重要である。
この手法はデータセットの変更にも堅牢であり、ラベル付きデータへのアクセスが制限された医療センターへの応用を可能にする。
提案する不確実性推定手法は, 自動セグメンテーションの堅牢性と一般化性を高める可能性を示し, 臨床現場におけるより信頼性が高く正確なlv容積推定への道を開くとともに, バイオメディカル画像セグメンテーションにおける不確実性定量化のための新たな道を開くとともに, 今後の研究に有望な方向性を提供する。
関連論文リスト
- 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) - Toward an Integrated Decision Making Framework for Optimized Stroke Diagnosis with DSA and Treatment under Uncertainty [0.0]
DSA (Digital Subtraction Angiography) などの最近の診断法は, 高コストと侵襲性による限界に直面している。
本稿では,部分観測可能なマルコフ決定プロセス(POMDP)フレームワークを用いた新しい手法を提案する。
本モデルは,脳卒中診断における不確かさを考慮に入れた意思決定アルゴリズムと,高度な診断ツールと治療アプローチを統合した。
論文 参考訳（メタデータ） (2024-07-24T03:01:55Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted
Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。
HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
論文 参考訳（メタデータ） (2023-11-23T06:17:31Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - 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) - 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) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - 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) - 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)
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。