論文の概要: Improving Deep Learning Model Calibration for Cardiac Applications using Deterministic Uncertainty Networks and Uncertainty-aware Training
- arxiv url: http://arxiv.org/abs/2405.06487v1
- Date: Fri, 10 May 2024 14:07:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 15:38:11.193569
- Title: Improving Deep Learning Model Calibration for Cardiac Applications using Deterministic Uncertainty Networks and Uncertainty-aware Training
- Title（参考訳）: 決定論的不確実性ネットワークと不確実性学習を用いた心的応用のためのディープラーニングモデル校正の改善
- Authors: Tareen Dawood, Bram Ruijsink, Reza Razavi, Andrew P. King, Esther Puyol-Antón,
- Abstract要約: 深層学習(DL)分類モデル校正の改善を目的とした2種類のアプローチの精度と校正への影響を評価する。
具体的には、3つのDUMと2つの不確実性を考慮したトレーニングアプローチ、およびそれらの組み合わせの性能を検証した。
以上の結果から,DUMと不確実性を考慮したトレーニングが両アプリケーションの精度と校正の両面で向上することが示唆された。
- 参考スコア（独自算出の注目度）: 2.0006125576503617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving calibration performance in deep learning (DL) classification models is important when planning the use of DL in a decision-support setting. In such a scenario, a confident wrong prediction could lead to a lack of trust and/or harm in a high-risk application. We evaluate the impact on accuracy and calibration of two types of approach that aim to improve DL classification model calibration: deterministic uncertainty methods (DUM) and uncertainty-aware training. Specifically, we test the performance of three DUMs and two uncertainty-aware training approaches as well as their combinations. To evaluate their utility, we use two realistic clinical applications from the field of cardiac imaging: artefact detection from phase contrast cardiac magnetic resonance (CMR) and disease diagnosis from the public ACDC CMR dataset. Our results indicate that both DUMs and uncertainty-aware training can improve both accuracy and calibration in both of our applications, with DUMs generally offering the best improvements. We also investigate the combination of the two approaches, resulting in a novel deterministic uncertainty-aware training approach. This provides further improvements for some combinations of DUMs and uncertainty-aware training approaches.
- Abstract（参考訳）: 深層学習(DL)分類モデルにおける校正性能の向上は,意思決定支援環境でのDLの利用を計画する上で重要である。
このようなシナリオでは、確実な誤った予測が、リスクの高いアプリケーションにおいて信頼の欠如や害をもたらす可能性がある。
DL分類モデルキャリブレーションの改善を目的とした2種類のアプローチの精度と校正への影響を,決定論的不確実性法(DUM)と不確実性学習(不確実性学習)を用いて評価した。
具体的には、3つのDUMと2つの不確実性を考慮したトレーニングアプローチ、およびそれらの組み合わせの性能を検証した。
それらの有用性を評価するために, 位相コントラスト心磁気共鳴(CMR)によるアーチファクト検出と, パブリックなACDC CMRデータセットによる疾患診断という, 心臓画像の分野での2つの現実的な臨床応用を応用した。
以上の結果から,DUMと不確実性を考慮したトレーニングの両方が,両アプリケーションの精度と校正の両面で改善できることが示唆された。
また,この2つの手法の組み合わせについて検討し,新たな決定論的不確実性認識トレーニング手法を提案する。
これにより、DUMと不確実性を認識したトレーニングアプローチの組み合わせがさらに改善される。
関連論文リスト
- Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:29:00Z) - EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。
複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文 参考訳（メタデータ） (2024-03-25T10:13:52Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Uncertainty Aware Training to Improve Deep Learning Model Calibration
for Classification of Cardiac MR Images [3.9402047771122812]
予測の不確実性の定量化は、より信頼できるAIモデルを開発する方法の1つとして特定されている。
我々は,2つの最先端アプローチと比較して,新しい不確実性を考慮した3つのトレーニング戦略を評価する。
論文 参考訳（メタデータ） (2023-08-29T09:19:49Z) - 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) - A Close Look into the Calibration of Pre-trained Language Models [56.998539510508515]
事前訓練された言語モデル(PLM)は、予測の不確かさを確実に見積もることに失敗する可能性がある。
トレーニングにおけるPLMの校正性能の動的変化について検討する。
最近提案された2つの学習可能な手法を拡張して、モデルを直接収集し、合理的な信頼度を推定する。
論文 参考訳（メタデータ） (2022-10-31T21:31:07Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳（メタデータ） (2022-06-09T13:06:51Z) - Can uncertainty boost the reliability of AI-based diagnostic methods in
digital pathology? [3.8424737607413157]
デジタル病理学におけるDL予測の不確実性予測を付加すると,臨床応用の価値が増大する可能性が示唆された。
モデル統合手法(MCドロップアウトとディープアンサンブル)の有効性をモデル非依存アプローチと比較した。
以上の結果から,不確実性推定はある程度の信頼性を高め,分類しきい値選択に対する感度を低下させる可能性が示唆された。
論文 参考訳（メタデータ） (2021-12-17T10:10:00Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。