論文の概要: Uncertainty-Aware Image Classification In Biomedical Imaging Using Spectral-normalized Neural Gaussian Processes

• arxiv url: http://arxiv.org/abs/2602.02370v1
• Date: Mon, 02 Feb 2026 17:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.326779
• Title: Uncertainty-Aware Image Classification In Biomedical Imaging Using Spectral-normalized Neural Gaussian Processes
• Title（参考訳）: スペクトル正規化ニューラルガウス法による生体画像の不確かさ認識画像分類
• Authors: Uma Meleti, Jeffrey J. Nirschl,
• Abstract要約: 現在のデジタル病理のディープラーニングモデルは、アウト・オブ・ディストリビューション・セッティングにおいて、しばしば過度に信頼され、キャリブレーションが不十分である。 我々は、スペクトル正規化を適用し、最終密度層をガウスプロセス層に置き換え、単一モデル不確実性評価とOOD検出を改善するための軽量な修正である、スペクトル正規化ニューラルプロセス(SNGP)を実装した。
• 参考スコア（独自算出の注目度）: 1.0425850006615616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate histopathologic interpretation is key for clinical decision-making; however, current deep learning models for digital pathology are often overconfident and poorly calibrated in out-of-distribution (OOD) settings, which limit trust and clinical adoption. Safety-critical medical imaging workflows benefit from intrinsic uncertainty-aware properties that can accurately reject OOD input. We implement the Spectral-normalized Neural Gaussian Process (SNGP), a set of lightweight modifications that apply spectral normalization and replace the final dense layer with a Gaussian process layer to improve single-model uncertainty estimation and OOD detection. We evaluate SNGP vs. deterministic and MonteCarlo dropout on six datasets across three biomedical classification tasks: white blood cells, amyloid plaques, and colorectal histopathology. SNGP has comparable in-distribution performance while significantly improving uncertainty estimation and OOD detection. Thus, SNGP or related models offer a useful framework for uncertainty-aware classification in digital pathology, supporting safe deployment and building trust with pathologists.
• Abstract（参考訳）: 正確な病理組織学的解釈は臨床的意思決定の鍵となるが、現在のデジタル病理学の深層学習モデルは、信頼と臨床導入を制限するオフ・オブ・ディストリビューション(OOD)設定において、しばしば過度に信頼され、校正が不十分である。 安全クリティカルな医療画像ワークフローは、OOD入力を正確に拒否できる本質的な不確実性を認識する特性の恩恵を受ける。 我々は、スペクトル正規化を適用し、最終密度層をガウスプロセス層に置き換え、単一モデル不確実性推定とOOD検出を改善するための軽量な修正である、スペクトル正規化ニューラルガウスプロセス(SNGP)を実装した。 白血球,アミロイドプラーク,大腸病理組織学の3つのバイオメディカル分類タスクの6つのデータセットを用いて,SNGP vs. 決定性およびモンテカルロのドロップアウトを評価した。 SNGPの分散特性は同等であり,不確実性評価やOOD検出を著しく改善した。 このように、SNGPまたは関連するモデルは、デジタル病理学における不確実性を認識した分類のための有用なフレームワークを提供し、安全なデプロイメントをサポートし、病理学者との信頼を構築する。

関連論文リスト

• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
  我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。 その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T16:13:27Z)
• Enhancing Open-World Bacterial Raman Spectra Identification by Feature Regularization for Improved Resilience against Unknown Classes [0.0]
  従来のクローズドセット分類手法は、全ての試験サンプルが既知の病原体の1つに属すると仮定する。 ラマン分光法による病原体を同定する現在の最先端ニューラルネットワークは未知の入力に対して脆弱であることを示す。 我々はResNetアーキテクチャの新しいアンサンブルと、既存のクローズドワールド手法よりも優れたアテンションメカニズムを組み合わさった。
  論文  参考訳（メタデータ） (2023-10-19T17:19:47Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。