論文の概要: Uncertainty-Aware Retinal Vessel Segmentation via Ensemble Distillation

• arxiv url: http://arxiv.org/abs/2509.11689v1
• Date: Mon, 15 Sep 2025 08:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.201217
• Title: Uncertainty-Aware Retinal Vessel Segmentation via Ensemble Distillation
• Title（参考訳）: アンサンブル蒸留による網膜血管セグメンテーションの不確かさ
• Authors: Jeremiah Fadugba, Petru Manescu, Bolanle Oladejo, Delmiro Fernandez-Reyes, Philipp Berens,
• Abstract要約: 不確実性の推定は、信頼性の高い医用画像分割、特に網膜血管解析において重要である。 複数のネットワークを個別にトレーニングするDeep Ensemblesは、医療画像セグメンテーションのパフォーマンス向上に広く利用されている。 本稿では,複数のアンサンブルモデルの知識を1つのモデルに蒸留することにより,一般的な不確実性推定手法の代替として,アンサンブル蒸留を提案する。
• 参考スコア（独自算出の注目度）: 4.274777169192361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation is critical for reliable medical image segmentation, particularly in retinal vessel analysis, where accurate predictions are essential for diagnostic applications. Deep Ensembles, where multiple networks are trained individually, are widely used to improve medical image segmentation performance. However, training and testing costs increase with the number of ensembles. In this work, we propose Ensemble Distillation as a robust alternative to commonly used uncertainty estimation techniques by distilling the knowledge of multiple ensemble models into a single model. Through extensive experiments on the DRIVE and FIVES datasets, we demonstrate that Ensemble Distillation achieves comparable performance via calibration and segmentation metrics, while significantly reducing computational complexity. These findings suggest that Ensemble distillation provides an efficient and reliable approach for uncertainty estimation in the segmentation of the retinal vessels, making it a promising tool for medical imaging applications.
• Abstract（参考訳）: 不確実性の推定は、信頼性の高い医用画像のセグメンテーション、特に網膜血管分析において重要であり、正確な予測が診断応用に不可欠である。 複数のネットワークを個別にトレーニングするDeep Ensemblesは、医療画像セグメンテーションのパフォーマンス向上に広く利用されている。 しかしながら、トレーニングとテストのコストはアンサンブルの数によって増加する。 本研究では,複数のアンサンブルモデルの知識を1つのモデルに蒸留することにより,一般的な不確実性推定手法に対する堅牢な代替手段として,アンサンブル蒸留を提案する。 DRIVEおよびFIVESデータセットに関する広範な実験を通じて、Ensemble Distillationはキャリブレーションとセグメンテーションのメトリクスを通じて同等のパフォーマンスを達成し、計算複雑性を著しく低減することを示した。 これらの結果から,Ensemble蒸留は網膜血管のセグメンテーションにおける不確実性評価に有効で信頼性の高い手法であり,医用画像用ツールとして有望であることが示唆された。

関連論文リスト

• Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
  ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。 高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
  論文  参考訳（メタデータ） (2025-03-28T09:39:37Z)
• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 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。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  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)

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。