論文の概要: SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2411.05324v1
• Date: Fri, 08 Nov 2024 04:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:55:03.721210
• Title: SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation
• Title（参考訳）: SASWISE-UE:不確かさ推定のための解釈可能なスケーラブルアンサンブルによる分割と合成
• Authors: Weijie Chen, Alan McMillan,
• Abstract要約: 本稿では,医療深層学習モデルの解釈性向上を目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。
• 参考スコア（独自算出の注目度）: 6.082812294410541
• License:
• Abstract: This paper introduces an efficient sub-model ensemble framework aimed at enhancing the interpretability of medical deep learning models, thus increasing their clinical applicability. By generating uncertainty maps, this framework enables end-users to evaluate the reliability of model outputs. We developed a strategy to develop diverse models from a single well-trained checkpoint, facilitating the training of a model family. This involves producing multiple outputs from a single input, fusing them into a final output, and estimating uncertainty based on output disagreements. Implemented using U-Net and UNETR models for segmentation and synthesis tasks, this approach was tested on CT body segmentation and MR-CT synthesis datasets. It achieved a mean Dice coefficient of 0.814 in segmentation and a Mean Absolute Error of 88.17 HU in synthesis, improved from 89.43 HU by pruning. Additionally, the framework was evaluated under corruption and undersampling, maintaining correlation between uncertainty and error, which highlights its robustness. These results suggest that the proposed approach not only maintains the performance of well-trained models but also enhances interpretability through effective uncertainty estimation, applicable to both convolutional and transformer models in a range of imaging tasks.
• Abstract（参考訳）: 本稿では,医療深層学習モデルの解釈性を向上し,臨床応用性を高めることを目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。 我々は,モデルファミリの訓練を円滑に行うことにより,一点の十分に訓練されたチェックポイントから多様なモデルを開発する戦略を開発した。 これには、1つの入力から複数の出力を生成し、それらを最終的な出力に融合させ、出力の不一致に基づいて不確実性を推定することが含まれる。 セグメント化と合成作業にU-NetモデルとUNETRモデルを用いて実装し,CTボディセグメンテーションとMR-CT合成データセットを用いて実験を行った。 セグメンテーションのDice係数は0.814、合成の平均絶対誤差は88.17HUで、プルーニングの89.43HUから改善された。 さらに、このフレームワークは汚職やアンダーサンプリングの下で評価され、不確実性とエラーの相関を維持し、堅牢性を強調した。 これらの結果から,提案手法は訓練されたモデルの性能を維持するだけでなく,画像タスクにおける畳み込みモデルと変圧器モデルの両方に適用可能な,効果的な不確実性推定による解釈可能性を向上させることが示唆された。

関連論文リスト

• Uncertainty-Error correlations in Evidential Deep Learning models for biomedical segmentation [0.0]
  Evidential Deep Learningはバイオメディカルイメージセグメンテーションの文脈で応用される。 U-Netバックボーンを用いた証拠深層学習モデルでは,予測誤差と不確かさの相関が良好であることが判明した。 EDLモデルのこれらの優れた特徴は、大きなモデルエラーを検出する上で重要な感度を保証するセグメンテーションタスクに適している。
  論文  参考訳（メタデータ） (2024-10-24T06:16:04Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,繰り返しのトレーニングにおいて安定な機械学習モデルのシーケンスを見つける手法を提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 本手法は, 予測力の小さい, 制御可能な犠牲を伴い, 厳密に訓練されたモデルよりも強い安定性を示す。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Region-Based Evidential Deep Learning to Quantify Uncertainty and Improve Robustness of Brain Tumor Segmentation [14.76728117630242]
  不確実性推定はこの問題の効率的な解決法である。 現在の不確実性推定法はその計算コストと矛盾性によって制限される。 本研究では、信頼性の高い不確実性マップとロバストなセグメンテーション結果を生成することができる地域ベースのEDLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-11T21:04:15Z)
• TBraTS: Trusted Brain Tumor Segmentation [32.51443933646828]
  そこで我々は,信頼できる脳腫瘍セグメント化ネットワークを提案し,ロバストなセグメンテーション結果と確実な不確実性推定を行う。 本手法では, 主観的論理理論を用いて不確かさを明示的にモデル化する。 我々の統合された信頼されたセグメンテーションフレームワークは、信頼性とロバスト性をアウト・オブ・ディストリビューション・サンプルに与えます。
  論文  参考訳（メタデータ） (2022-06-19T02:26:30Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。