論文の概要: Mitigating False Predictions In Unreasonable Body Regions

• arxiv url: http://arxiv.org/abs/2404.15718v1
• Date: Wed, 24 Apr 2024 08:11:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 19:49:56.979927
• Title: Mitigating False Predictions In Unreasonable Body Regions
• Title（参考訳）: 不合理な身体領域における偽予測の緩和
• Authors: Constantin Ulrich, Catherine Knobloch, Julius C. Holzschuh, Tassilo Wald, Maximilian R. Rokuss, Maximilian Zenk, Maximilian Fischer, Michael Baumgartner, Fabian Isensee, Klaus H. Maier-Hein,
• Abstract要約: 本研究では,不明瞭な身体領域における予測をペナルティ化する新たな損失関数を提案する。 軸スライス位置スコアを生成するBody Part Regressionモデルで実現した。 偽陽性腫瘍予測を85%まで効果的に軽減し、全体のセグメンテーション性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.921264855324451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite considerable strides in developing deep learning models for 3D medical image segmentation, the challenge of effectively generalizing across diverse image distributions persists. While domain generalization is acknowledged as vital for robust application in clinical settings, the challenges stemming from training with a limited Field of View (FOV) remain unaddressed. This limitation leads to false predictions when applied to body regions beyond the FOV of the training data. In response to this problem, we propose a novel loss function that penalizes predictions in implausible body regions, applicable in both single-dataset and multi-dataset training schemes. It is realized with a Body Part Regression model that generates axial slice positional scores. Through comprehensive evaluation using a test set featuring varying FOVs, our approach demonstrates remarkable improvements in generalization capabilities. It effectively mitigates false positive tumor predictions up to 85% and significantly enhances overall segmentation performance.
• Abstract（参考訳）: 3次元医用画像セグメンテーションのためのディープラーニングモデルの開発にかなりの努力を払っているにもかかわらず、多様な画像分布を効果的に一般化するという課題は続いている。 ドメインの一般化は、臨床現場での堅牢な応用には不可欠であると認識されているが、限られた視野(FOV)でのトレーニングから生じる課題は未解決のままである。 この制限は、トレーニングデータのFOVを超える身体領域に適用した場合、誤った予測につながる。 そこで本研究では, 単一データセットと複数データセットの両方のトレーニングスキームに適用可能な, 不確定な身体領域の予測をペナルティ化する新しい損失関数を提案する。 軸スライス位置スコアを生成するBody Part Regressionモデルで実現した。 様々なFOVを特徴とするテストセットを用いた包括的評価により,本手法は一般化能力の顕著な改善を示す。 偽陽性腫瘍予測を85%まで効果的に軽減し、全体のセグメンテーション性能を大幅に向上させる。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation [2.0978389798793873]
  一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。 本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。 一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T20:57:15Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• How Reliable Are Out-of-Distribution Generalization Methods for Medical Image Segmentation? [0.46023882211671957]
  我々は,フル教師付きトレーニングとセミ教師付きトレーニングの両方を用いて,MRデータにおける海馬セグメンテーションの問題に対するOoD一般化ソリューションの評価を行った。 V-RExの損失は、チューニングが容易なままでありながら、ほとんどの場合、標準のU-Netよりも優れています。
  論文  参考訳（メタデータ） (2021-09-03T10:15:44Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Progressive Adversarial Semantic Segmentation [11.323677925193438]
  深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。 画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。 本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T22:48:00Z)

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。