論文の概要: Uncertainty Quantification in Detecting Choroidal Metastases on MRI via Evolutionary Strategies
- arxiv url: http://arxiv.org/abs/2404.08853v1
- Date: Fri, 12 Apr 2024 23:49:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:22:57.613548
- Title: Uncertainty Quantification in Detecting Choroidal Metastases on MRI via Evolutionary Strategies
- Title（参考訳）: MRI上脈絡膜転移の検出における進化的戦略による不確かさの定量化
- Authors: Bala McRae-Posani, Andrei Holodny, Hrithwik Shalu, Joseph N Stember,
- Abstract要約: 不確かさの定量化は、放射線学におけるAIの実践的実装を促進する上で重要な役割を担っている。
両眼のMRI画像を用いた単純な畳み込みニューラルネットワーク(CNN)の訓練にDNEを用いた。
その結果,ヒトの放射線技師が評価した主観的特徴は,不確実性が高いイメージを説明できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty quantification plays a vital role in facilitating the practical implementation of AI in radiology by addressing growing concerns around trustworthiness. Given the challenges associated with acquiring large, annotated datasets in this field, there is a need for methods that enable uncertainty quantification in small data AI approaches tailored to radiology images. In this study, we focused on uncertainty quantification within the context of the small data evolutionary strategies-based technique of deep neuroevolution (DNE). Specifically, we employed DNE to train a simple Convolutional Neural Network (CNN) with MRI images of the eyes for binary classification. The goal was to distinguish between normal eyes and those with metastatic tumors called choroidal metastases. The training set comprised 18 images with choroidal metastases and 18 without tumors, while the testing set contained a tumor-to-normal ratio of 15:15. We trained CNN model weights via DNE for approximately 40,000 episodes, ultimately reaching a convergence of 100% accuracy on the training set. We saved all models that achieved maximal training set accuracy. Then, by applying these models to the testing set, we established an ensemble method for uncertainty quantification.The saved set of models produced distributions for each testing set image between the two classes of normal and tumor-containing. The relative frequencies permitted uncertainty quantification of model predictions. Intriguingly, we found that subjective features appreciated by human radiologists explained images for which uncertainty was high, highlighting the significance of uncertainty quantification in AI-driven radiological analyses.
- Abstract（参考訳）: 不確かさの定量化は、信頼性に関する懸念の高まりに対処することによって、放射線学におけるAIの実践的実装を促進する上で重要な役割を担っている。
この分野での大規模で注釈付きデータセット取得に関わる課題を考えると、X線画像に合わせた小さなデータAIアプローチで不確実な定量化を可能にする方法が必要である。
本研究では、DNE(Deep Neuroevolution)という小データ進化戦略に基づく手法の文脈における不確実性定量化に焦点を当てた。
具体的には,両眼のMRI画像を用いた単純な畳み込みニューラルネットワーク(CNN)の訓練にDNEを用いた。
目的は、正常眼と脈絡膜転移と呼ばれる転移性腫瘍を鑑別することであった。
トレーニングセットは, 脈絡膜転移18例, 腫瘍のない18例, 検査セットは腫瘍-正常比15:15であった。
我々はDNEを介して約4万エピソードのCNNモデルウェイトをトレーニングし、最終的にトレーニングセット上で100%の精度で収束した。
最大トレーニングセットの正確性を達成したモデルをすべて保存した。
そこで, これらのモデルをテストセットに適用し, 不確実性定量化のためのアンサンブル法を確立した。
相対周波数はモデル予測の不確かさの定量化を許した。
興味深いことに、人間の放射線技師が評価した主観的特徴は、不確実性が高い画像を説明し、AIによる放射線学的分析における不確実性定量化の重要性を強調した。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-14T15:29:32Z) - Disentangled Uncertainty and Out of Distribution Detection in Medical
Generative Models [7.6146285961466]
医療領域における画像翻訳作業における画像の不確実性について検討した。
我々はCycleGANを用いて、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換する。
論文 参考訳（メタデータ） (2022-11-11T14:45:16Z) - Image-to-Image Regression with Distribution-Free Uncertainty
Quantification and Applications in Imaging [88.20869695803631]
真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。
画像から画像への回帰を3つのタスクで評価する。
論文 参考訳（メタデータ） (2022-02-10T18:59:56Z) - Uncertainty Quantified Deep Learning for Predicting Dice Coefficient of
Digital Histopathology Image Segmentation [0.0]
我々は無作為に定量化したDLMとモンテカルロ・ドロップアウトを用いて、顕微鏡的ヘマトキシリンおよびEosin(H&E)染色前立腺核生検RGB画像から腫瘍を分離する。
我々は,1つの画像から複数の臨床領域に基づく不確実性を用いて,線形モデルにより出力されるDLMモデルのDiceを予測する新しいアプローチを考案した。
本研究の結果から, 線形モデルは不確実な深層学習の係数と相関関係を学習し, 特定の領域のDiceスコアを予測できることが示唆された。
論文 参考訳（メタデータ） (2021-08-31T23:38:17Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Integrating uncertainty in deep neural networks for MRI based stroke
analysis [0.0]
2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。
CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
論文 参考訳（メタデータ） (2020-08-13T09:50:17Z) - Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis
and Uncertainty Quantification [0.0]
糖尿病網膜症 (Diabetes Mellitus) は糖尿病の微小血管合併症の1つである。
コナールニューラルネットワークに基づく計算モデルは、眼底画像を用いたDRの自動検出技術の現状を表す。
本稿では,DR診断と不確実性定量化のためのハイブリッドディープラーニング・ガウス法を提案する。
論文 参考訳（メタデータ） (2020-07-29T04:10:42Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。