論文の概要: Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2403.02311v3
• Date: Thu, 27 Jun 2024 08:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 19:26:57.036537
• 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 Weingärtner, Artur M. Schweidtmann, Qian Tao,
• Abstract要約: 深層学習法は多くの医用画像セグメンテーションタスクにおいて最先端の性能を達成した。 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。 医療データ増大に対応するため,Hachian Monte Carlo (HMC) を用いたベイズ学習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）: 3.0665936758208447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL)-based methods have achieved state-of-the-art performance for many 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 DL provides an intuitive approach to DL failure detection, based on posterior probability estimation. However, the posterior is intractable for large medical image segmentation DNNs. To tackle this challenge, we propose a Bayesian learning framework using 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, capturing both local and global geometries of the posterior distribution, enabling highly efficient Bayesian DNN training with the same computational budget 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 T1 and T2 mapping. Our results show that the proposed method improves both segmentation accuracy and uncertainty estimation for in- and out-of-domain data, compared with well-established baseline methods such as Monte Carlo Dropout and Deep Ensembles. Additionally, we establish a conceptual link between HMC and the commonly known stochastic gradient descent (SGD) and provide general insight into the uncertainty of DL. This uncertainty is implicitly encoded in the training dynamics but often overlooked. With reliable uncertainty estimation, our method provides a promising direction toward trustworthy DL in clinical applications.
• Abstract（参考訳）: 深層学習(DL)に基づく手法は,多くの医用画像セグメンテーションタスク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、臨床応用にリスクがある「サイレント障害」につながることが示されている。 ベイジアンDLは、後続確率推定に基づいて、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,大面積の医用画像分割DNNでは後部が難治性である。 この課題に対処するために,HMC-CP(Hachian Monte Carlo)を用いたベイズ学習フレームワークを提案する。 HMC計算では, 局所的および大域的分布の両測地を捕捉し, 単一のDNNを訓練するのと同じ計算予算で, 高効率なベイズDNN訓練を可能にす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は心磁気共鳴画像(MRI)のセグメンテーションにおいて,SSFPシネ画像および定量的T1およびT2マッピングの外部データセットを用いて広範に評価した。 提案手法は,モンテカルロ・ドロップアウトやディープ・アンサンブルなどの確立されたベースライン法と比較して,領域内および領域外データのセグメンテーション精度と不確実性評価の両方を改善した。 さらに,HMCと一般に知られている確率勾配降下(SGD)の概念的リンクを確立し,DLの不確実性に関する一般的な知見を提供する。 この不確実性は、トレーニングダイナミクスに暗黙的にエンコードされるが、しばしば見過ごされる。 本手法は信頼性の高い不確実性推定を行い,臨床応用における信頼性の高いDLに向けた有望な方向を提供する。

関連論文リスト

• Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
  我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。 その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T16:13:27Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  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。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• 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)
• Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
  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)
• 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)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• 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)
• Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
  本稿では,2段階の深層学習(DL)フレームワークを提案する。 第1段階は、脳MRI全体から視床領域を特定して収穫する。 第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
  論文  参考訳（メタデータ） (2020-11-03T23:43:52Z)

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。