論文の概要: Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging
- arxiv url: http://arxiv.org/abs/2407.16608v1
- Date: Tue, 23 Jul 2024 16:13:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 16:36:00.400075
- Title: Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging
- Title（参考訳）: 大腸ポリープに対する深部ベイズ分画 : 医用画像の精度評価
- Authors: Daniela L. Ramos, Hector J. Hortua,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colorectal polyps are generally benign alterations that, if not identified promptly and managed successfully, can progress to cancer and cause affectations on the colon mucosa, known as adenocarcinoma. Today advances in Deep Learning have demonstrated the ability to achieve significant performance in image classification and detection in medical diagnosis applications. Nevertheless, these models are prone to overfitting, and making decisions based only on point estimations may provide incorrect predictions. Thus, to obtain a more informed decision, we must consider point estimations along with their reliable uncertainty quantification. In this paper, we built different Bayesian neural network approaches based on the flexibility of posterior distribution to develop semantic segmentation of colorectal polyp images. We found that these models not only provide state-of-the-art performance on the segmentation of this medical dataset but also, yield accurate uncertainty estimates. We applied multiplicative normalized flows(MNF) and reparameterization trick on the UNET, FPN, and LINKNET architectures tested with multiple backbones in deterministic and Bayesian versions. We report that the FPN + EfficientnetB7 architecture with MNF is the most promising option given its IOU of 0.94 and Expected Calibration Error (ECE) of 0.004, combined with its superiority in identifying difficult-to-detect colorectal polyps, which is effective in clinical areas where early detection prevents the development of colon cancer.
- Abstract（参考訳）: 大腸ポリープは一般的に良性な変化であり、もし早期に同定され、うまく管理されていないと、がんに進展し、腺癌として知られる大腸に影響を及ぼす可能性がある。
今日、Deep Learningの進歩は、画像の分類と診断において、医療診断の分野で大きな性能を発揮することを実証している。
しかし、これらのモデルは過度に適合する傾向があり、点推定のみに基づく決定は誤った予測をもたらす可能性がある。
したがって、より情報的な決定を得るためには、その信頼性の高い不確実性定量化とともに、点推定を考慮しなければならない。
本稿では, 後方分布の柔軟性に基づいて, 異なるベイズニューラルネットワークアプローチを構築し, 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。
我々は、UNET、FPN、LINKNETアーキテクチャに対して、決定論的およびベイズ的バージョンで複数のバックボーンでテストした乗法正規化フロー(MNF)と再パラメータ化トリックを適用した。
MNFを用いたFPN+EfficientnetB7アーキテクチャは,0.94のIOUと0.004の期待校正誤差(ECE)を考えると最も有望な選択肢である。
関連論文リスト
- Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation [3.0665936758208447]
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。
論文 参考訳（メタデータ） (2024-03-04T18:47:56Z) - Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
深層学習は高い予測精度と不確実性推定を実現することが示されている。
テスト時の入力画像のゆがみは、パフォーマンスを著しく低下させる可能性がある。
LaDiNEは,入力画像から情報および不変潜伏変数を推定できる,新規で堅牢な確率的手法である。
論文 参考訳（メタデータ） (2023-10-24T15:53:07Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - 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) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳（メタデータ） (2021-10-17T09:31:20Z) - 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) - AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
提案手法は既存手法と比較して最先端の精度を実現する。
論文 参考訳（メタデータ） (2021-05-02T06:36:36Z) - 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) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。