論文の概要: EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule Endoscopy Diagnosis

• arxiv url: http://arxiv.org/abs/2402.11476v1
• Date: Sun, 18 Feb 2024 06:54:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 20:59:24.194814
• Title: EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule Endoscopy Diagnosis
• Title（参考訳）: endoood : カプセル内視鏡診断における不確実性認識
• Authors: Qiaozhi Tan, Long Bai, Guankun Wang, Mobarakol Islam, Hongliang Ren
• Abstract要約: ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。 深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。 既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
• 参考スコア（独自算出の注目度）: 11.82953216903558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless capsule endoscopy (WCE) is a non-invasive diagnostic procedure that enables visualization of the gastrointestinal (GI) tract. Deep learning-based methods have shown effectiveness in disease screening using WCE data, alleviating the burden on healthcare professionals. However, existing capsule endoscopy classification methods mostly rely on pre-defined categories, making it challenging to identify and classify out-of-distribution (OOD) data, such as undefined categories or anatomical landmarks. To address this issue, we propose the Endoscopy Out-of-Distribution (EndoOOD) framework, which aims to effectively handle the OOD detection challenge in WCE diagnosis. The proposed framework focuses on improving the robustness and reliability of WCE diagnostic capabilities by incorporating uncertainty-aware mixup training and long-tailed in-distribution (ID) data calibration techniques. Additionally, virtual-logit matching is employed to accurately distinguish between OOD and ID data while minimizing information loss. To assess the performance of our proposed solution, we conduct evaluations and comparisons with 12 state-of-the-art (SOTA) methods using two publicly available datasets. The results demonstrate the effectiveness of the proposed framework in enhancing diagnostic accuracy and supporting clinical decision-making.
• Abstract（参考訳）: wireless capsule endoscopy (wce) は消化管の可視化を可能にする非侵襲的な診断方法である。 深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示し、医療専門家の負担を軽減する。 しかしながら、既存のカプセル内視鏡分類法は、主に予め定義されたカテゴリに依存しており、未定義のカテゴリや解剖学的ランドマークなど、分布外データ(ood)の識別と分類が困難である。 この問題に対処するために,WCE 診断における OOD 検出課題を効果的に扱うことを目的としたEndoOOD (EndoOOD) フレームワークを提案する。 提案フレームワークは,不確実性を考慮した混合訓練と長期分布データキャリブレーションを取り入れたWCE診断機能の堅牢性と信頼性の向上に重点を置いている。 さらに、情報損失を最小限に抑えつつ、OODとIDデータを正確に識別するために仮想ロジットマッチングを用いる。 提案手法の性能を評価するために,2つの公開データセットを用いた12の最先端(SOTA)手法の評価と比較を行った。 以上の結果から,診断精度の向上と臨床意思決定支援におけるフレームワークの有効性が示された。

関連論文リスト

• TTA-OOD: Test-time Augmentation for Improving Out-of-Distribution Detection in Gastrointestinal Vision [6.290783164114315]
  テスト時間拡張セグメントをOOD検出パイプラインに導入する。 この拡張は画素空間をシフトさせ、OOD例のより明確な意味表現へと変換する。 我々は既存のOODスコアに対して評価を行った。
  論文  参考訳（メタデータ） (2024-07-19T04:50:54Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A multimodal method based on cross-attention and convolution for postoperative infection diagnosis [0.0]
  術後感染診断は重篤な合併症であり,高い診断上の課題となっている。 X線検査は、疑わしいPJI患者の画像検査である。 本研究では,自己教師型マスク付きオートエンコーダ事前学習戦略とマルチモーダル核融合診断ネットワークMED-NVCを提案する。
  論文  参考訳（メタデータ） (2023-05-23T15:08:56Z)
• 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)
• DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information Measures [13.492292022589918]
  類似性と相似性を共同でモデル化できる,新しいアクティブラーニングフレームワークであるDiagnoseを提案する。 本実験は, 医用画像の複数の領域にまたがる最先端AL法に対する診断の優位性を検証するものである。
  論文  参考訳（メタデータ） (2022-10-04T11:07:48Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
  我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。 まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。 次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
  論文  参考訳（メタデータ） (2021-07-06T12:10:09Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• A novel method for Causal Structure Discovery from EHR data, a demonstration on type-2 diabetes mellitus [3.8171820752218997]
  本稿では,新しいデータ変換手法と新しい因果構造探索アルゴリズムを提案する。 提案手法を2型糖尿病に適用した。
  論文  参考訳（メタデータ） (2020-11-11T00:50:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。