論文の概要: Medical Image Quality Assessment based on Probability of Necessity and Sufficiency
- arxiv url: http://arxiv.org/abs/2410.08118v1
- Date: Thu, 10 Oct 2024 17:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 05:15:31.433059
- Title: Medical Image Quality Assessment based on Probability of Necessity and Sufficiency
- Title（参考訳）: 必要と十分性の確率に基づく医用画像品質評価
- Authors: Boyu Chen, Ameenat L. Solebo, Weiye Bao, Paul Taylor,
- Abstract要約: 因果推論の概念に基づくMIQAフレームワークを提案する。
PNSは、必要な(常に結果に存在している)機能セットと十分な(結果を保証することができる)機能セットの両方を計測します。
- 参考スコア（独自算出の注目度）: 5.242113567322171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image quality assessment (MIQA) is essential for reliable medical image analysis. While deep learning has shown promise in this field, current models could be misled by spurious correlations learned from data and struggle with out-of-distribution (OOD) scenarios. To that end, we propose an MIQA framework based on a concept from causal inference: Probability of Necessity and Sufficiency (PNS). PNS measures how likely a set of features is to be both necessary (always present for an outcome) and sufficient (capable of guaranteeing an outcome) for a particular result. Our approach leverages this concept by learning hidden features from medical images with high PNS values for quality prediction. This encourages models to capture more essential predictive information, enhancing their robustness to OOD scenarios. We evaluate our framework on an Anterior Segment Optical Coherence Tomography (AS-OCT) dataset for the MIQA task and experimental results demonstrate the effectiveness of our framework.
- Abstract（参考訳）: 医用画像品質評価(MIQA)は信頼性の高い医用画像解析に不可欠である。
ディープラーニングはこの分野で有望であることを示しているが、現在のモデルは、データから学んだ素早い相関関係と、アウト・オブ・ディストリビューション(OOD)シナリオとの闘いによって誤解される可能性がある。
そこで本研究では,因果推論の概念に基づくMIQAフレームワークを提案する。
PNSは、特定の結果に対して必要な(常に結果が存在する)機能セットと十分な(結果を保証することができる)機能の両方を計測する。
提案手法は,PNS値の高い医用画像から隠れた特徴を学習することにより,品質予測を実現する。
これにより、モデルがより不可欠な予測情報をキャプチャし、OODシナリオに対する堅牢性を高めることができる。
我々は,MIQAタスクのためのAS-OCTデータセット上でのフレームワークの評価を行い,本フレームワークの有効性を実証した。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。
提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
論文 参考訳（メタデータ） (2024-05-29T06:09:34Z) - COMPRER: A Multimodal Multi-Objective Pretraining Framework for Enhanced Medical Image Representation [1.5749416770494706]
COMPRERは、新しいマルチモーダル、マルチオブジェクト事前トレーニングフレームワークである。
医学的イメージ表現、診断的推論、および疾患の予後を高める。
論文 参考訳（メタデータ） (2024-02-04T08:05:58Z) - MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with
Semi Supervised Learning for Low Dose CT [6.158876574189994]
画像品質評価(IQA)は放射線線量最適化と新しい医用イメージング技術開発において重要な役割を担っている。
最近の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示している。
本稿では,出力分布を制約して品質スコアを予測するため,マルチスケール分布回帰手法を提案する。
論文 参考訳（メタデータ） (2023-11-14T09:33:33Z) - 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) - A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。
新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文 参考訳（メタデータ） (2022-12-06T05:30:22Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳（メタデータ） (2021-10-07T11:29:03Z) - Confidence-based Out-of-Distribution Detection: A Comparative Study and
Analysis [17.398553230843717]
我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。
まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。
次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
論文 参考訳（メタデータ） (2021-07-06T12:10:09Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。