論文の概要: Uncertainty Propagation for Echocardiography Clinical Metric Estimation via Contour Sampling

• arxiv url: http://arxiv.org/abs/2502.12713v1
• Date: Tue, 18 Feb 2025 10:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:07:00.458170
• Title: Uncertainty Propagation for Echocardiography Clinical Metric Estimation via Contour Sampling
• Title（参考訳）: コンターサンプリングによる心エコー検査における不確実性の検討
• Authors: Thierry Judge, Olivier Bernard, Woo-Jin Cho Kim, Alberto Gomez, Arian Beqiri, Agisilaos Chartsias, Pierre-Marc Jodoin,
• Abstract要約: 本稿では,セグメンテーションではなくコンツーリングに基づく新しい不確実性推定手法を提案する。 提案手法は, コントゥーア作業に対する正確な不確実性評価だけでなく, 2つの心臓超音波データセットの下流臨床指標にも有効である。
• 参考スコア（独自算出の注目度）: 4.708437939150225
• License:
• Abstract: Echocardiography plays a fundamental role in the extraction of important clinical parameters (e.g. left ventricular volume and ejection fraction) required to determine the presence and severity of heart-related conditions. When deploying automated techniques for computing these parameters, uncertainty estimation is crucial for assessing their utility. Since clinical parameters are usually derived from segmentation maps, there is no clear path for converting pixel-wise uncertainty values into uncertainty estimates in the downstream clinical metric calculation. In this work, we propose a novel uncertainty estimation method based on contouring rather than segmentation. Our method explicitly predicts contour location uncertainty from which contour samples can be drawn. Finally, the sampled contours can be used to propagate uncertainty to clinical metrics. Our proposed method not only provides accurate uncertainty estimations for the task of contouring but also for the downstream clinical metrics on two cardiac ultrasound datasets. Code is available at: https://github.com/ThierryJudge/contouring-uncertainty.
• Abstract（参考訳）: 心エコー法は、心疾患の存在と重症度を決定するのに必要な重要な臨床パラメータ(例えば左室容積と吐出分画)の抽出に基本的な役割を担っている。 これらのパラメータを計算するための自動手法をデプロイする場合、その有用性を評価するには不確実性推定が不可欠である。 臨床パラメータは通常セグメンテーションマップから導かれるため、下流のクリニカル・メトリック・計算においてピクセルワイドの不確実性値を不確実性推定に変換する明確な経路は存在しない。 本研究では,セグメンテーションではなくコンツーリングに基づく新しい不確実性推定手法を提案する。 提案手法は,輪郭サンプルを描画可能な輪郭位置の不確かさを明示的に予測する。 最後に、サンプルの輪郭は、臨床メトリクスに不確実性を伝播するために使用することができる。 提案手法は, コントゥーア作業に対する正確な不確実性評価だけでなく, 2つの心臓超音波データセットの下流臨床指標にも有効である。 コードは、https://github.com/ThierryJudge/contouring-uncertainty.comで入手できる。

関連論文リスト

• High-dimensional multimodal uncertainty estimation by manifold alignment:Application to 3D right ventricular strain computations [1.254652786049077]
  本稿では,生理的記述子上での局所的不確実性を推定する表現学習戦略を提案する。 まず、各高次元入力記述子に付随する潜在表現に一致させるために、多様体アライメントを用いる。 次に, 潜伏不確かさの確率分布を定式化し, 最終的に入力された高次元記述子上の不確かさを再構成する。
  論文  参考訳（メタデータ） (2025-01-21T14:35:35Z)
• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• Improving Uncertainty-Error Correspondence in Deep Bayesian Medical Image Segmentation [3.3572047447192626]
  不正確な領域のみに存在する不確実性を促進するために、FlipOutモデルに精度-vs-不確実性(AvU)損失を学習する。 本手法を頭頸部CTと前立腺MRIの2つの放射線治療部位のデータセットに適用する。
  論文  参考訳（メタデータ） (2024-09-05T12:31:51Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• 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)
• Information-Theoretic Safe Exploration with Gaussian Processes [89.31922008981735]
  未知の(安全でない)制約に反するパラメータを評価できないような、逐次的な意思決定タスクについて検討する。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2022-12-09T15:23:58Z)
• CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
  本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。 この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
  論文  参考訳（メタデータ） (2022-06-15T16:56:58Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。