論文の概要: Towards Out-of-Distribution Detection for breast cancer classification
in Point-of-Care Ultrasound Imaging
- arxiv url: http://arxiv.org/abs/2402.18960v1
- Date: Thu, 29 Feb 2024 08:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 15:34:33.377589
- Title: Towards Out-of-Distribution Detection for breast cancer classification
in Point-of-Care Ultrasound Imaging
- Title(参考訳): Point-of-Care Ultrasound Imaging における乳がん分類のアウト・オブ・ディストリビューション検出に向けて
- Authors: Jennie Karlsson, Marisa Wodrich, Niels Christian Overgaard, Freja
Sahlin, Kristina L{\aa}ng, Anders Heyden, Ida Arvidsson
- Abstract要約: 本研究では, ソフトマックス, エネルギースコア, ディープアンサンブルの3種類の方法を用いてOOD検出を行う。
その結果,エネルギスコア法はソフトマックス法よりも優れており,2つのデータセットで良好に動作することがわかった。
アンサンブル法は最も堅牢で、3つのデータセットすべてに対してOODサンプルを検出するのに最適である。
- 参考スコア(独自算出の注目度): 1.4513830934124627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has shown to have great potential in medical applications. In
critical domains as such, it is of high interest to have trustworthy algorithms
which are able to tell when reliable assessments cannot be guaranteed.
Detecting out-of-distribution (OOD) samples is a crucial step towards building
a safe classifier. Following a previous study, showing that it is possible to
classify breast cancer in point-of-care ultrasound images, this study
investigates OOD detection using three different methods: softmax, energy score
and deep ensembles. All methods are tested on three different OOD data sets.
The results show that the energy score method outperforms the softmax method,
performing well on two of the data sets. The ensemble method is the most
robust, performing the best at detecting OOD samples for all three OOD data
sets.
- Abstract(参考訳): 深層学習は医学的応用に大きな可能性を秘めている。
このような重要な領域において、信頼できる評価が保証できないかを判断できる信頼できるアルゴリズムを持つことは高い関心事である。
out-of-distribution (ood) サンプルの検出は、安全な分類器を構築するための重要なステップである。
乳がんの画像から乳がんを分類できることを示す先行研究に続いて, ソフトマックス, エネルギースコア, 深層アンサンブルの3つの方法を用いて, 乳がんの検出について検討した。
すべてのメソッドは3つの異なるOODデータセットでテストされる。
その結果, エネルギースコア法がsoftmax法よりも優れており, 2つのデータセットで良好に動作することがわかった。
アンサンブル法は最も堅牢で、3つのOODデータセットすべてに対してOODサンプルを検出するのに最適である。
関連論文リスト
- A Survey on Out-of-Distribution Detection in NLP [119.80687868012393]
現実世界における機械学習システムの信頼性と安全なデプロイには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
本稿では,OOD検出の最近の進歩について,特に自然言語処理に焦点をあてて概説する。
論文 参考訳(メタデータ) (2023-05-05T01:38:49Z) - Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric
Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。
本稿では,OOD検出における教師なし評価問題を初めて紹介する。
我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文 参考訳(メタデータ) (2023-02-16T13:34:35Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳(メタデータ) (2023-02-06T08:24:41Z) - A knee cannot have lung disease: out-of-distribution detection with
in-distribution voting using the medical example of chest X-ray
classification [58.720142291102135]
この研究では、胸部X線分類モデルであるCheXnetを用いて、胸部X線14データセットをトレーニングした。
複数ラベル分類のためのOODデータを検出するために,IDV(In-distriion voting)を提案する。
ID (chest X-ray 14) と OOD データ (IRMA と ImageNet) に基づいてトレーニングした IDV アプローチは,平均で3つのデータセットにわたる 0.999 OOD 検出 AUC を達成した。
論文 参考訳(メタデータ) (2022-08-01T18:20:36Z) - On the Usefulness of Deep Ensemble Diversity for Out-of-Distribution
Detection [7.221206118679026]
ディープラーニングの安全性クリティカルな応用において、OOD(Out-of-Distribution)データを検出する能力が重要である。
この文献の既存の直観は、ディープ・アンサンブルの予測の多様性は分布シフトを示しているということである。
ImageNet-scale OOD 検出では,この直観が有効でないことを示す。
論文 参考訳(メタデータ) (2022-07-15T15:02:38Z) - Can multi-label classification networks know what they don't know? [20.827128594812578]
アウト・オブ・ディストリビューション(OOD)の不確実性(out-of-distriion)を推定することは、機械学習モデルをオープンな環境に安全にデプロイする上で、重要な課題である。
複数ラベルからのエネルギースコアを集約することにより,OODインジケータのスコアを簡易かつ効果的に推定するJointEnergyを提案する。
提案手法はMS-COCO, PASCAL-VOC, NUS-WIDEを含む3つの共通マルチラベル分類ベンチマークにおいて有効であることを示す。
論文 参考訳(メタデータ) (2021-09-29T03:03:52Z) - 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) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳(メタデータ) (2021-06-08T11:40:49Z) - ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。
ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-06-26T20:58:05Z)
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。