論文の概要: L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation
- arxiv url: http://arxiv.org/abs/2503.05245v2
- Date: Wed, 12 Mar 2025 10:11:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 12:14:26.225430
- Title: L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation
- Title（参考訳）: L-FUSION:Laplacian Fetal Ultrasound Segmentation and Uncertainty Estimation
- Authors: Johanna P. Müller, Robert Wright, Thomas G. Day, Lorenzo Venturini, Samuel F. Budd, Hadrien Reynaud, Joseph V. Hajnal, Reza Razavi, Bernhard Kainz,
- Abstract要約: L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。
即時診断フィードバックのための信頼性の高い異常定量化を実現する。
不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
- 参考スコア（独自算出の注目度）: 6.626853161057203
- License:
- Abstract: Accurate analysis of prenatal ultrasound (US) is essential for early detection of developmental anomalies. However, operator dependency and technical limitations (e.g. intrinsic artefacts and effects, setting errors) can complicate image interpretation and the assessment of diagnostic uncertainty. We present L-FUSION (Laplacian Fetal US Segmentation with Integrated FoundatiON models), a framework that integrates uncertainty quantification through unsupervised, normative learning and large-scale foundation models for robust segmentation of fetal structures in normal and pathological scans. We propose to utilise the aleatoric logit distributions of Stochastic Segmentation Networks and Laplace approximations with fast Hessian estimations to estimate epistemic uncertainty only from the segmentation head. This enables us to achieve reliable abnormality quantification for instant diagnostic feedback. Combined with an integrated Dropout component, L-FUSION enables reliable differentiation of lesions from normal fetal anatomy with enhanced uncertainty maps and segmentation counterfactuals in US imaging. It improves epistemic and aleatoric uncertainty interpretation and removes the need for manual disease-labelling. Evaluations across multiple datasets show that L-FUSION achieves superior segmentation accuracy and consistent uncertainty quantification, supporting on-site decision-making and offering a scalable solution for advancing fetal ultrasound analysis in clinical settings.
- Abstract（参考訳）: 出生前超音波(US)の正確な解析は発達異常の早期発見に不可欠である。
しかし、オペレータの依存性と技術的な制限(例えば、固有のアーチファクトとエフェクト、設定エラー)は、画像の解釈と診断の不確実性の評価を複雑にすることができる。
本稿では,L-FUSION(Laplacian Fetal US Segmentation with Integrated FoundatiON model)について述べる。
本稿では,Stochastic Segmentation NetworksとLaplace近似のアレタリックロジット分布を高速なヘッセン推定で利用し,セグメンテーションヘッドからのみてててててんかんの不確かさを推定する。
これにより、即時診断フィードバックのための信頼性の高い異常定量化を実現することができる。
L-FUSIONは統合Dropout成分と組み合わせることで、正常胎児解剖からの病変の確実な分化を可能にする。
てんかんやてんかんの不確かさの解釈を改善し、手動による疾患のラベル付けの必要性をなくす。
複数のデータセットで評価したところ、L-FUSIONはより優れたセグメンテーション精度と一貫した不確実性定量化を実現し、オンサイト意思決定をサポートし、臨床環境で胎児超音波解析を進めるためのスケーラブルなソリューションを提供する。
関連論文リスト
- Enhancing Uncertainty Estimation in Semantic Segmentation via Monte-Carlo Frequency Dropout [2.542402342792592]
Monte-Carlo (MC) Dropoutは、決定論的ニューラルネットワークにおける予測分布を推定するための実用的なソリューションを提供する。
信号空間内で適用される従来のドロップアウトは、医用画像に共通する周波数関連ノイズを考慮できない可能性がある。
新たなアプローチはDropoutを周波数領域に拡張し、推論中に信号の変動を減衰させる。
論文 参考訳（メタデータ） (2025-01-20T03:54:30Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis [33.91263917157504]
不確実性定量化(UQ)は人工知能システムの信頼性を評価する上で重要である。
本研究では,磁気共鳴画像における焦点病変分割のための深層学習モデルにおけるインスタンス単位の不確実性値の解釈可能性について検討する。
論文 参考訳（メタデータ） (2024-07-08T09:13:30Z) - Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。
我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。
444例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測できることが示唆された。
論文 参考訳（メタデータ） (2023-11-15T13:04:57Z) - 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) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。