論文の概要: Dual-Channel Reliable Breast Ultrasound Image Classification Based on
Explainable Attribution and Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2401.03664v1
- Date: Mon, 8 Jan 2024 04:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 17:43:08.490647
- Title: Dual-Channel Reliable Breast Ultrasound Image Classification Based on
Explainable Attribution and Uncertainty Quantification
- Title(参考訳): 説明可能な属性と不確かさの定量化に基づくデュアルチャネル信頼乳房超音波画像分類
- Authors: Shuge Lei, Haonan Hu, Dasheng Sun, Huabin Zhang, Kehong Yuan, Jian
Dai, Jijun Tang, Yan Tong
- Abstract要約: 本稿では乳房超音波画像の分類課題について述べる。
本稿では,提案した推定信頼性と予測信頼性のスコアに基づく2チャンネル評価フレームワークを提案する。
- 参考スコア(独自算出の注目度): 4.868832755218741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper focuses on the classification task of breast ultrasound images and
researches on the reliability measurement of classification results. We
proposed a dual-channel evaluation framework based on the proposed inference
reliability and predictive reliability scores. For the inference reliability
evaluation, human-aligned and doctor-agreed inference rationales based on the
improved feature attribution algorithm SP-RISA are gracefully applied.
Uncertainty quantification is used to evaluate the predictive reliability via
the Test Time Enhancement. The effectiveness of this reliability evaluation
framework has been verified on our breast ultrasound clinical dataset YBUS, and
its robustness is verified on the public dataset BUSI. The expected calibration
errors on both datasets are significantly lower than traditional evaluation
methods, which proves the effectiveness of our proposed reliability
measurement.
- Abstract(参考訳): 本稿では乳房超音波画像の分類課題と分類結果の信頼性測定に関する研究について述べる。
提案する推定信頼性と予測信頼性スコアに基づくデュアルチャネル評価フレームワークを提案する。
推論信頼性評価には、改良された特徴属性アルゴリズムSP-RISAに基づいて、ヒトアライメントおよび医師アライメントされた推論論理を適用する。
不確実性定量化は、テストタイムエンハンスメントによる予測信頼性を評価するために使用される。
この信頼性評価フレームワークの有効性を胸部超音波臨床データセットYBUSで検証し,その堅牢性について公開データセットBUSIで検証した。
両データセットの予測校正誤差は従来の評価手法に比べて有意に低く,提案手法の有効性が証明された。
関連論文リスト
- EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。
複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文 参考訳(メタデータ) (2024-03-25T10:13:52Z) - Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳(メタデータ) (2024-03-05T11:44:14Z) - Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent
Representations [28.875819909902244]
不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。
既存の不確実性推定アプローチは、低次元分布仮定に依存している。
本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-25T12:22:18Z) - 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) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - Evaluating Uncertainty Calibration for Open-Set Recognition [5.8022510096020525]
ディープニューラルネットワーク(DNN)は、アウト・オブ・ディストリビューション(OOD)データに過信的な確率を提供する。
我々は,OODデータに対する従来のキャリブレーション手法とは大きく異なる方法で,オープンセット条件に対する一般的なキャリブレーション手法を評価する。
論文 参考訳(メタデータ) (2022-05-15T02:08:35Z) - Bayesian autoencoders with uncertainty quantification: Towards
trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。
不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。
本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文 参考訳(メタデータ) (2022-02-25T12:20:04Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳(メタデータ) (2021-12-01T17:11:22Z) - Providing reliability in Recommender Systems through Bernoulli Matrix
Factorization [63.732639864601914]
本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。
BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。
予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
論文 参考訳(メタデータ) (2020-06-05T14:24:27Z) - Uncertainty-Based Out-of-Distribution Classification in Deep
Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。
我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。
UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文 参考訳(メタデータ) (2019-12-31T09:52:49Z)
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。