Fugu-MT 論文翻訳(概要): Conformal Risk Control for Semantic Uncertainty Quantification in Computed Tomography

論文の概要: Conformal Risk Control for Semantic Uncertainty Quantification in Computed Tomography

arxiv url: http://arxiv.org/abs/2503.00136v1
Date: Fri, 28 Feb 2025 19:27:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:24:57.063675
Title: Conformal Risk Control for Semantic Uncertainty Quantification in Computed Tomography
Title（参考訳）: CTにおける意味的不確実性定量化のためのコンフォーマルリスク制御
Authors: Jacopo Teneggi, J Webster Stayman, Jeremias Sulam,
Abstract要約: 臓器依存的不確実性評価のためのCRC法を提案する。本手法は各患者の解剖や臓器の位置に応じて意味的に適応する。本手法は,実世界のCT(Computerd tomography)データに対して,より厳密な不確実性区間を提供する。
参考スコア（独自算出の注目度）: 8.992691662614206
License:
Abstract: Uncertainty quantification is necessary for developers, physicians, and regulatory agencies to build trust in machine learning predictors and improve patient care. Beyond measuring uncertainty, it is crucial to express it in clinically meaningful terms that provide actionable insights. This work introduces a conformal risk control (CRC) procedure for organ-dependent uncertainty estimation, ensuring high-probability coverage of the ground-truth image. We first present a high-dimensional CRC procedure that leverages recent ideas of length minimization. We make this procedure semantically adaptive to each patient's anatomy and positioning of organs. Our method, sem-CRC, provides tighter uncertainty intervals with valid coverage on real-world computed tomography (CT) data while communicating uncertainty with clinically relevant features.
Abstract（参考訳）: 開発者、医師、規制機関が機械学習予測器を信頼し、患者のケアを改善するためには、不確実性定量化が必要である。不確実性を測定すること以外にも、実用的な洞察を提供する臨床的に意味のある言葉で表現することが重要である。本研究は, 臓器依存不確実性推定のためのコンフォメーションリスク制御(CRC)手法を導入し, グランドトラス画像の高確率カバレッジを保証する。まず,最近の長さ最小化の考え方を生かした高次元CRC手法を提案する。本手法は各患者の解剖や臓器の位置に応じて意味的に適応する。 sem-CRC法は実世界のCT(Computed tomography)データに対して,臨床的に有意な特徴と不確かさを一致させながら,より厳密な不確実性区間を提供する。

関連論文リスト

Uncertainty Propagation for Echocardiography Clinical Metric Estimation via Contour Sampling [4.708437939150225]
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。
論文参考訳（メタデータ） (2025-02-18T10:26:16Z)
Conformal Risk Control for Pulmonary Nodule Detection [1.435675484176397]
肺癌検診における肺結節検出の1例を経験したので報告する。我々は、共形リスク制御(CRC)と呼ばれる不確実性定量化手法により高度な検出モデルを強化する。安全クリティカルな医療領域における予測の不確実性の指標として, 整合性保証付き予測セットが魅力的であることを示す。
論文参考訳（メタデータ） (2024-12-28T14:41:57Z)
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)
Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation [7.313010190714819]
モデル予測に関連する不確実性の定量化は重要な臨床応用に不可欠です自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。医用画像解析設定においてどの方法が好ましいかは不明確である。
論文参考訳（メタデータ） (2023-08-15T00:09:33Z)
Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文参考訳（メタデータ） (2023-07-30T16:08:45Z)
Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
論文参考訳（メタデータ） (2023-05-09T11:42:53Z)
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)
Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文参考訳（メタデータ） (2021-12-06T16:30:43Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
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)

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。