論文の概要: Towards Reliable WMH Segmentation under Domain Shift: An Application Study using Maximum Entropy Regularization to Improve Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2506.14497v1
• Date: Tue, 17 Jun 2025 13:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.483045
• Title: Towards Reliable WMH Segmentation under Domain Shift: An Application Study using Maximum Entropy Regularization to Improve Uncertainty Estimation
• Title（参考訳）: ドメインシフト下における信頼性の高いWMHセグメンテーションに向けて:最大エントロピー正規化を用いた不確実性推定の改善のための応用研究
• Authors: Franco Matzkin, Agostina Larrazabal, Diego H Milone, Jose Dolz, Enzo Ferrante,
• Abstract要約: ホワイトマター高強度(WMH)の正確なセグメンテーションは臨床的意思決定に不可欠である。 MRIマシンタイプや取得パラメータのバリエーションなどのドメインシフトは、キャリブレーションと不確実性推定をモデル化するための課題を提起する。 本研究では,モデルキャリブレーションと不確実性推定を向上させるために,最大エントロピー正規化手法を提案する。
• 参考スコア（独自算出の注目度）: 9.854116809395896
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate segmentation of white matter hyperintensities (WMH) is crucial for clinical decision-making, particularly in the context of multiple sclerosis. However, domain shifts, such as variations in MRI machine types or acquisition parameters, pose significant challenges to model calibration and uncertainty estimation. This study investigates the impact of domain shift on WMH segmentation by proposing maximum-entropy regularization techniques to enhance model calibration and uncertainty estimation, with the purpose of identifying errors post-deployment using predictive uncertainty as a proxy measure that does not require ground-truth labels. To do this, we conducted experiments using a U-Net architecture to evaluate these regularization schemes on two publicly available datasets, assessing performance with the Dice coefficient, expected calibration error, and entropy-based uncertainty estimates. Our results show that entropy-based uncertainty estimates can anticipate segmentation errors, and that maximum-entropy regularization further strengthens the correlation between uncertainty and segmentation performance while also improving model calibration under domain shift.
• Abstract（参考訳）: 特に多発性硬化症では,WMHの正確なセグメンテーションが臨床的決定に不可欠である。 しかし、MRIマシンタイプや取得パラメータのバリエーションなどのドメインシフトは、モデルの校正と不確実性推定に重大な課題をもたらす。 本研究では,モデルキャリブレーションと不確実性推定の最大エントロピー正則化手法を提案することにより,WMHセグメンテーションに対するドメインシフトの影響について検討した。 そこで我々はU-Netアーキテクチャを用いて、これらの正規化スキームを2つの公開データセット上で評価し、Dice係数、期待キャリブレーション誤差、エントロピーに基づく不確実性推定による性能評価を行った。 その結果、エントロピーに基づく不確実性推定はセグメンテーション誤差を予測でき、最大エントロピー正則化により、不確実性とセグメンテーション性能の相関がさらに高められるとともに、ドメインシフトによるモデルキャリブレーションも改善されることが示された。

関連論文リスト

• Wasserstein Distributionally Robust Nonparametric Regression [9.65010022854885]
  本稿では、ワッサーシュタイン分布性非パラメトリック推定器の一般化特性について検討する。 我々は,過度の局地的最悪のリスクに対して,非漸近的エラー境界を確立する。 提案した推定器のロバスト性はシミュレーション研究を通じて評価し,MNISTデータセットへの適用例を示した。
  論文  参考訳（メタデータ） (2025-05-12T18:07:37Z)
• Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials [0.0]
  モデル誤差の定量化には機械学習原子間ポテンシャル(MLIP)の不確実性推定が不可欠である。 予測的GPR標準偏差やアンサンブルに基づく不確実性を含む,GPRに基づくMLIPの不確実性の評価を行った。
  論文  参考訳（メタデータ） (2024-10-27T10:06:09Z)
• Are Data Augmentation Methods in Named Entity Recognition Applicable for Uncertainty Estimation? [26.336947440529713]
  名前付きエンティティ認識(NER)タスクにおけるデータの増大が信頼度校正と不確実性評価に与える影響について検討する。 また,データ拡張により,言語間および言語間におけるキャリブレーションや不確実性が向上することを示す。 また,増量によりキャリブレーションや不確実性がさらに向上することが示唆された。
  論文  参考訳（メタデータ） (2024-07-02T08:49:43Z)
• 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)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• 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)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)
• 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。