論文の概要: Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications
to Cardiac MRI Segmentation
- arxiv url: http://arxiv.org/abs/2403.02311v1
- Date: Mon, 4 Mar 2024 18:47:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 17:37:43.835333
- Title: Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications
to Cardiac MRI Segmentation
- Title(参考訳): Hamiltonian Monte Carlo によるベイズ不確かさの推定 : 心臓MRIセグメントへの応用
- Authors: Yidong Zhao, Joao Tourais, Iain Pierce, Christian Nitsche, Thomas A.
Treibel, Sebastian Weing\"artner, Artur M. Schweidtmann, Qian Tao
- Abstract要約: 最近の研究では、ディープニューラルネットワーク(DNN)が誤解され、過信され、"サイレント障害"につながることが示されている。
我々はハミルトン・モンテカルロ(HMC)による医療データ拡張のためのフレームワークを提案し,HMC-CPと命名した。
- 参考スコア(独自算出の注目度): 3.1986724976299588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL)-based methods have achieved state-of-the-art performance
for a wide range of medical image segmentation tasks. Nevertheless, recent
studies show that deep neural networks (DNNs) can be miscalibrated and
overconfident, leading to "silent failures" that are risky} for clinical
applications. Bayesian statistics provide an intuitive approach to DL failure
detection, based on posterior probability estimation. However, Bayesian DL, and
in particular the posterior estimation, is intractable for large medical image
segmentation DNNs. To tackle this challenge, we propose a Bayesian learning
framework by Hamiltonian Monte Carlo (HMC), tempered by cold posterior (CP) to
accommodate medical data augmentation, named HMC-CP. For HMC computation, we
further propose a cyclical annealing strategy, which captures both local and
global geometries of the posterior distribution, enabling highly efficient
Bayesian DNN training with the same computational budget requirements as
training a single DNN. The resulting Bayesian DNN outputs an ensemble
segmentation along with the segmentation uncertainty. We evaluate the proposed
HMC-CP extensively on cardiac magnetic resonance image (MRI) segmentation,
using in-domain steady-state free precession (SSFP) cine images as well as
out-of-domain datasets of quantitative $T_1$ and $T_2$ mapping.
- Abstract(参考訳): 深層学習(DL)に基づく手法は,幅広い医用画像分割作業において最先端のパフォーマンスを達成した。
しかし、最近の研究では、ディープニューラルネットワーク(DNN)が誤診され、過信され、臨床応用の「サイレント障害」につながることが示されている。
ベイズ統計は、後続確率推定に基づくDL故障検出に対する直感的なアプローチを提供する。
しかし,大容量の医用画像分割DNNではベイズDL,特に後方推定が困難である。
この課題に対処するため,ハミルトン・モンテカルロ(HMC)によるベイズ学習フレームワークを提案する。
さらに,HMC計算において,局所的および大域的な分布のジオメトリを捕捉し,単一のDNNをトレーニングするのと同じ計算予算でベイズDNN訓練を効率的に行うことができる循環型アニール方式を提案する。
その結果、ベイズDNNは、セグメンテーションの不確実性とともにアンサンブルセグメンテーションを出力する。
提案したHMC-CPは、SSFPシネ画像と、定量的なT_1$およびT_2$マッピングの外部データセットを用いて、心臓磁気共鳴画像(MRI)セグメンテーションに基づいて広範囲に評価した。
関連論文リスト
- Efficient Bayesian Uncertainty Estimation for nnU-Net [1.510226005465492]
医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。
我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。
提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
論文 参考訳(メタデータ) (2022-12-12T23:12:19Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Maximum Entropy on Erroneous Predictions (MEEP): Improving model
calibration for medical image segmentation [10.159176702917788]
本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。
脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
論文 参考訳(メタデータ) (2021-12-22T20:34:20Z) - 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) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳(メタデータ) (2021-07-09T08:14:45Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳(メタデータ) (2021-04-29T15:38:46Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳(メタデータ) (2021-04-17T19:03:52Z) - Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation:
A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。
セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文 参考訳(メタデータ) (2020-12-31T17:46:52Z) - 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)
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。