論文の概要: Confidence Matters: Uncertainty Quantification and Precision Assessment of Deep Learning-based CMR Biomarker Estimates Using Scan-rescan Data

• arxiv url: http://arxiv.org/abs/2603.26789v1
• Date: Wed, 25 Mar 2026 14:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.609905
• Title: Confidence Matters: Uncertainty Quantification and Precision Assessment of Deep Learning-based CMR Biomarker Estimates Using Scan-rescan Data
• Title（参考訳）: 信頼度:スキャン-スキャンデータを用いた深層学習に基づくCMRバイオマーカー推定の不確かさの定量化と精度評価
• Authors: Dewmini Hasara Wickremasinghe, Michelle Gibogwe, Andrew Bell, Esther Puyol-Antón, Muhummad Sohaib Nazir, Reza Razavi, Bruno Paun, Paul Aljabar, Andrew P. King,
• Abstract要約: 心臓機能バイオマーカー推定のための最先端DLパイプラインに不確実性推定手法を適用した。 このモデルは2つの外部検証スキャン-スキャンCMRデータセットに対して高い精度(平均Dice 87%)と点推定精度を達成した。
• 参考スコア（独自算出の注目度）: 4.703422315567864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of deep learning (DL) methods for the analysis of cine cardiovascular magnetic resonance (CMR) is typically assessed in terms of accuracy, overlooking precision. In this work, uncertainty estimation techniques, namely deep ensemble, test-time augmentation, and Monte Carlo dropout, are applied to a state-of-the-art DL pipeline for cardiac functional biomarker estimation, and new distribution-based metrics are proposed for the assessment of biomarker precision. The model achieved high accuracy (average Dice 87%) and point estimate precision on two external validation scan-rescan CMR datasets. However, distribution-based metrics showed that the overlap between scan/rescan confidence intervals was >50% in less than 45% of the cases. Statistical similarity tests between scan and rescan biomarkers also resulted in significant differences for over 65% of the cases. We conclude that, while point estimate metrics might suggest good performance, distributional analyses reveal lower precision, highlighting the need to use more representative metrics to assess scan-rescan agreement.
• Abstract（参考訳）: 心臓血管磁気共鳴(CMR)解析のための深層学習法(DL法)の性能は,精度的に評価されるのが一般的である。 本研究では,心臓機能バイオマーカー推定のための最先端DLパイプラインに,深層アンサンブル,テストタイム拡張,モンテカルロドロップアウトといった不確実性評価手法を適用し,バイオマーカーの精度評価に新たな分布に基づく指標を提案する。 このモデルは2つの外部検証スキャン-スキャンCMRデータセットに対して高い精度(平均Dice 87%)と点推定精度を達成した。 しかし,45%未満の症例では,スキャン/スキャンの信頼区間間の重複が50%以上であった。 スキャンと再スキャンのバイオマーカーの統計的類似性試験も65%以上で有意差を認めた。 点推定基準は良好な性能を示すが,分布解析では精度が低下し,スキャンとスキャンの一致を評価するために,より代表的な指標を使用する必要があることが示唆された。

関連論文リスト

• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Multi-pathology Chest X-ray Classification with Rejection Mechanisms [36.0596663889937]
  ディープラーニングモデルの過信は、高精細度の医療画像タスクにおいて重大なリスクをもたらす。 本研究では,DenseNet-121バックボーンを用いた胸部X線診断のための不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T15:36:26Z)
• Implicit Neural Representations of Intramyocardial Motion and Strain [5.982605533590515]
  本研究では, 連続左室変位の予測法について, 推定時間最適化を必要とせずに提案する。 452英国のバイオバンク試験で評価したところ、この手法は最高の追跡精度 (2.14 mm RMSE) と、地球外周率 (2.86%) と放射率 (6.42%) で最小の組み合わせ誤差を達成した。
  論文  参考訳（メタデータ） (2025-09-10T21:05:27Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images [0.795142520168573]
  本研究の目的は,大腿部および大腿部のボリュームMSKセグメンテーションにおける深部学習モデルの改善について検証することであった。 モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
  論文  参考訳（メタデータ） (2024-09-04T14:49:35Z)
• Improving the Scan-rescan Precision of AI-based CMR Biomarker Estimation [1.794594355220496]
  ディープラーニング(DL)法を用いた心血管磁気共鳴(CMR)データからの心臓バイオマーカーの定量化には多くの利点がある。 しかし、バイオマーカー推定のスキャン-スキャン精度に焦点を当てた研究はごくわずかである。 そこで本研究では,高セグメンテーション精度だけでなく,スキャン・レスカン精度の向上にも焦点をあてたバイオマーカー推定パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-21T16:24:27Z)
• Uncertainty Modeling in Ultrasound Image Segmentation for Precise Fetal Biometric Measurements [0.0]
  本稿では, 大腿骨頭・大腿骨超音波像を中心に, セグメンテーション過程における不確実性の複雑さを考察する。 提案手法は,対象の輪郭を抽出し,正確なパラメータ測定を行う手法を探索することを含む。 セグメンテーションネットワークのトレーニングおよびテストプロセスを強化するために不確実性モデリング手法が用いられている。
  論文  参考訳（メタデータ） (2024-01-17T23:21:42Z)
• 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)
• Integrating uncertainty in deep neural networks for MRI based stroke analysis [0.0]
  2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。 CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
  論文  参考訳（メタデータ） (2020-08-13T09:50:17Z)

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。