論文の概要: Reliable uncertainty quantification for 2D/3D anatomical landmark localization using multi-output conformal prediction
- arxiv url: http://arxiv.org/abs/2503.14106v1
- Date: Tue, 18 Mar 2025 10:21:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:18:29.704232
- Title: Reliable uncertainty quantification for 2D/3D anatomical landmark localization using multi-output conformal prediction
- Title（参考訳）: 多出力共形予測を用いた2D/3D解剖学的ランドマーク位置の信頼性不確実性定量化
- Authors: Jef Jonkers, Frank Coopman, Luc Duchateau, Glenn Van Wallendael, Sofie Van Hoecke,
- Abstract要約: 現在の不確実量化のアプローチは、特に正規性仮定と組み合わせると、しばしば短くなる。
多出力回帰問題に対する有限サンプル妥当性を保証する2つの新しいアプローチを提案する。
提案手法は, 有効性と有効性の両方において, 既存の多出力共形予測手法より一貫して優れている。
- 参考スコア（独自算出の注目度）: 2.7320409129940684
- License:
- Abstract: Automatic anatomical landmark localization in medical imaging requires not just accurate predictions but reliable uncertainty quantification for effective clinical decision support. Current uncertainty quantification approaches often fall short, particularly when combined with normality assumptions, systematically underestimating total predictive uncertainty. This paper introduces conformal prediction as a framework for reliable uncertainty quantification in anatomical landmark localization, addressing a critical gap in automatic landmark localization. We present two novel approaches guaranteeing finite-sample validity for multi-output prediction: Multi-output Regression-as-Classification Conformal Prediction (M-R2CCP) and its variant Multi-output Regression to Classification Conformal Prediction set to Region (M-R2C2R). Unlike conventional methods that produce axis-aligned hyperrectangular or ellipsoidal regions, our approaches generate flexible, non-convex prediction regions that better capture the underlying uncertainty structure of landmark predictions. Through extensive empirical evaluation across multiple 2D and 3D datasets, we demonstrate that our methods consistently outperform existing multi-output conformal prediction approaches in both validity and efficiency. This work represents a significant advancement in reliable uncertainty estimation for anatomical landmark localization, providing clinicians with trustworthy confidence measures for their diagnoses. While developed for medical imaging, these methods show promise for broader applications in multi-output regression problems.
- Abstract（参考訳）: 医用画像の自動的解剖学的ランドマーク定位は、正確な予測だけでなく、効果的な臨床診断支援のための信頼性の高い不確実性定量化を必要とする。
現在の不確実性定量化のアプローチは、特に正規性の仮定と組み合わせて、体系的に全体予測の不確実性を過小評価する場合に、しばしば短くなる。
本稿では、解剖学的ランドマークの局所化における確実な不確実性定量化のための枠組みとして、コンフォメーション予測を導入し、自動ランドマークの局所化における重要なギャップに対処する。
M-R2CCP(M-output Regression-as-Classification Conformal Prediction)とM-R2C2R(M-output Regression to Classification Conformal Prediction set to Region)の2つの新しい手法を提案する。
軸方向の超矩形領域や楕円形の領域を生成する従来の手法とは異なり、我々の手法はフレキシブルで非凸な予測領域を生成し、ランドマーク予測の基盤となる不確実性構造をよりよく捉える。
複数の2次元および3次元データセットにまたがる広範な経験的評価により,本手法は既存の多出力共形予測手法よりも有効性および効率性に優れることを示した。
この研究は、解剖学的ランドマーク化のための確実な不確実性推定において重要な進歩を示し、臨床医に診断に信頼できる信頼度測定を提供する。
医用イメージングのために開発されたが、これらの手法は多出力回帰問題に広く応用できることを示す。
関連論文リスト
- 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) - Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
論文 参考訳（メタデータ） (2024-01-09T15:28:29Z) - 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) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Uncertainty-Informed Deep Learning Models Enable High-Confidence
Predictions for Digital Histopathology [40.96261204117952]
肺腺癌と扁平上皮癌を鑑別するモデルを訓練し,高い信頼度予測がUQなしで予測を上回ることを示す。
非肺癌コホートに対する腺癌と扁平上皮癌との高信頼度予測を精度良く行うことで, 領域シフトの設定においてUQ閾値の信頼性が保たれることを示す。
論文 参考訳（メタデータ） (2022-04-09T17:35:37Z) - Uncertainty Estimation for Heatmap-based Landmark Localization [4.673063715963989]
推定誤差境界を持つ不確実性によって予測を分類するデータ駆動手法であるQuantile Binningを提案する。
この枠組みは,3つの不確実性対策を比較し,対比することによって実証する。
我々は、Quantile Binsで捕捉された大まかな誤予測をフィルタリングすることで、許容可能なエラー閾値下での予測の割合を大幅に改善する、という結論を導いた。
論文 参考訳（メタデータ） (2022-03-04T14:40:44Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Uncertainty Estimation in Medical Image Localization: Towards Robust
Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
本稿では,2段階の深層学習(DL)フレームワークを提案する。
第1段階は、脳MRI全体から視床領域を特定して収穫する。
第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
論文 参考訳（メタデータ） (2020-11-03T23:43:52Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。