論文の概要: Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios

• arxiv url: http://arxiv.org/abs/2501.17570v1
• Date: Wed, 29 Jan 2025 11:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:53:02.194105
• Title: Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios
• Title（参考訳）: 信頼あるイメージ・ツー・イメージ翻訳:未経験の訓練シナリオにおける不確実性校正の評価
• Authors: Ciaran Bench, Emir Ahmed, Spencer A. Thomas,
• Abstract要約: マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。 ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。 汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。 3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Mammographic screening is an effective method for detecting breast cancer, facilitating early diagnosis. However, the current need to manually inspect images places a heavy burden on healthcare systems, spurring a desire for automated diagnostic protocols. Techniques based on deep neural networks have been shown effective in some studies, but their tendency to overfit leaves considerable risk for poor generalisation and misdiagnosis, preventing their widespread adoption in clinical settings. Data augmentation schemes based on unpaired neural style transfer models have been proposed that improve generalisability by diversifying the representations of training image features in the absence of paired training data (images of the same tissue in either image style). But these models are similarly prone to various pathologies, and evaluating their performance is challenging without ground truths/large datasets (as is often the case in medical imaging). Here, we consider two frameworks/architectures: a GAN-based cycleGAN, and the more recently developed diffusion-based SynDiff. We evaluate their performance when trained on image patches parsed from three open access mammography datasets and one non-medical image dataset. We consider the use of uncertainty quantification to assess model trustworthiness, and propose a scheme to evaluate calibration quality in unpaired training scenarios. This ultimately helps facilitate the trustworthy use of image-to-image translation models in domains where ground truths are not typically available.
• Abstract（参考訳）: マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。 しかし、現在手動で画像を調べる必要があるため、医療システムに大きな負担がかかるため、自動診断プロトコルへの欲求が高まっている。 ディープニューラルネットワークに基づく手法は、いくつかの研究で有効であることが示されているが、その傾向が過度に適合すると、一般化や誤診のリスクがかなり高くなり、臨床で広く採用されるのを防げる。 ペア化されたトレーニングデータ(どちらの画像スタイルでも同じ組織をイメージする)が存在しない場合に、トレーニング画像の特徴の表現を多様化することにより、一般化性を向上させるために、未ペアのニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。 しかし、これらのモデルも同様に様々な病理に影響を及ぼしがちであり、その性能を評価することは、(医療画像の場合のように)基礎的な真実や大規模なデータセットなしでは困難である。 本稿では、GANベースのCycleGANと、より最近開発された拡散ベースのSynDiffの2つのフレームワーク/アーキテクチャについて考察する。 3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。 本研究では,モデルの信頼性を評価するための不確実性定量化手法を検討するとともに,不適切なトレーニングシナリオにおける校正品質を評価する手法を提案する。 このことは、一般的に真実が得られない領域において、画像から画像への変換モデルの信頼できる利用を促進するのに役立つ。

関連論文リスト

• Style transfer as data augmentation: evaluating unpaired image-to-image translation models in mammography [0.0]
  深層学習モデルは乳がんをマンモグラムから検出することができる。 しかし, 過度に適合し, 一般性に欠ける課題は, 診療所での日常的な使用を妨げている。 データ拡張技術は、一般化性を改善するために使用することができる。
  論文  参考訳（メタデータ） (2025-02-04T16:52:45Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• 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)
• Rescuing referral failures during automated diagnosis of domain-shifted medical images [17.349847762608086]
  異なる人口層から取得した医療画像や、別の技術を用いて測定した場合、最先端の領域一般化アプローチでさえ、参照中に深刻な失敗を犯すことが示される。 我々は,これらの障害を解消し,大幅な性能向上を実現する,ロバストな一般化とポストホック参照アプローチの新たな組み合わせを評価する。
  論文  参考訳（メタデータ） (2023-11-28T13:14:55Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Adapting Pretrained Vision-Language Foundational Models to Medical Imaging Domains [3.8137985834223502]
  臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。 安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。 我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
  論文  参考訳（メタデータ） (2022-10-09T01:43:08Z)
• Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
  本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。 本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
  論文  参考訳（メタデータ） (2021-04-15T23:34:53Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。