Fugu-MT 論文翻訳(概要): Learning a Sampling-Free Variational DNN Plugin from Tiny Training Sets to Refine OOD Segmentation With Uncertainty Estimation

論文の概要: Learning a Sampling-Free Variational DNN Plugin from Tiny Training Sets to Refine OOD Segmentation With Uncertainty Estimation

arxiv url: http://arxiv.org/abs/2606.15837v1
Date: Sun, 14 Jun 2026 14:36:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:33.885657
Title: Learning a Sampling-Free Variational DNN Plugin from Tiny Training Sets to Refine OOD Segmentation With Uncertainty Estimation
Title（参考訳）: タイニートレーニングセットからサンプリング不要な変分DNNプラグインを学習し、不確実性推定でOODセグメンテーションをリファインする
Abstract要約: VarDeepPCAは、劣化したセグメンテーションマップを復元/再定義するために設計された軽量な変分DNNフレームワークである。 VarDeepPCAは、小さなIn-distribution(ID)データセットのみを使用して、有効な解剖学的ジオメトリの分布を明示的に学習する。 14の公開データセットを使用して、4つの異なる臨床応用にまたがって、我々のフレームワークを実証的に検証する。
参考スコア（独自算出の注目度）: 0.42970700836450476
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep neural networks (DNNs) frequently fail to generalize to out-of-distribution (OOD) medical images because of variations in scanners and acquisition protocols. Retraining DNN models to address these distribution shifts is often impractical due to the high cost of acquiring and annotating new medical datasets. To address this, we introduce VarDeepPCA, a novel lightweight variational DNN framework designed to restore/refine degraded segmentation maps by leveraging intrinsic geometric priors. Unlike existing approaches that require target-domain data or extensive pre-training, our VarDeepPCA explicitly learns a distribution of valid anatomical geometries using only small in-distribution (ID) datasets. Theoretically, our novel variational learning framework leverages a reinterpretation of the softmax mapping to implicitly perform exact distribution modeling, thereby enabling computationally efficient, sampling-free learning and inference. This also enables VarDeepPCA to provide uncertainty estimates associated with its restored segmentation maps. We empirically validate our framework across 4 distinct clinical applications, using 14 publicly available datasets, involving segmentation of the myocardium, neuroretinal rim, prostate, and fetal head. Comparisons against 15 existing methods demonstrate that VarDeepPCA consistently restores segmentation maps produced by the existing methods on OOD data to (i) significantly improve anatomical plausibility of geometries and clinical utility of the segmentations, and (ii) significantly reduce errors, without needing any more training data than that used by existing methods.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、スキャナや取得プロトコルのバリエーションのため、オフ・オブ・ディストリビューション(OOD)医療画像の一般化に失敗することが多い。これらの分散シフトに対応するためにDNNモデルをリトレーニングすることは、新しい医療データセットの取得と注釈付けのコストが高いため、しばしば現実的ではない。この問題を解決するために,本発明のVarDeepPCAは,内在的な幾何学的先入観を生かして,劣化したセグメントマップを復元・再定義する,軽量な変分DNNフレームワークである。ターゲットドメインデータや広範な事前トレーニングを必要とする既存のアプローチとは異なり、VarDeepPCAでは、小さなIDデータセットのみを使用して有効な解剖学的ジオメトリの分布を明示的に学習しています。理論的には、我々の新しい変分学習フレームワークは、ソフトマックスマッピングの再解釈を利用して、暗黙的に正確な分布モデリングを行い、計算効率が高くサンプリング不要な学習と推論を可能にする。これにより、VarDeepPCAはその復元されたセグメンテーションマップに関連する不確実性推定を提供することができる。心筋, 網膜リム, 前立腺, 胎児頭部のセグメンテーションを含む14の公開データセットを用いて, 4つの異なる臨床応用の枠組みを実証的に検証した。 15の既存手法との比較により、VarDeepPCAはOODデータ上の既存の手法によって生成されたセグメンテーションマップを一貫して復元することを示した。一ジオメトリーの解剖学的妥当性及びセグメンテーションの臨床的有用性を大幅に改善すること。 (ii) 既存のメソッドよりもトレーニングデータを必要とせず、エラーを著しく削減する。

関連論文リスト

Multimodal Prescriptive Deep Learning [5.22980614912553]
マルチモーダルなディープラーニングフレームワークPrescriptive Neural Networks(PNN)を紹介する。 PNNは、埋め込みに基づいてトレーニングされたフィードフォワードニューラルネットワークで、結果最適化処方薬を出力する。 2つの実世界のマルチモーダルデータセットにおいて、PNNが推定結果を大幅に改善できる治療を処方することを実証する。
論文参考訳（メタデータ） (2025-01-24T00:37:28Z)
Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文参考訳（メタデータ） (2024-04-02T13:42:29Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文参考訳（メタデータ） (2022-07-01T12:16:42Z)
Detecting when pre-trained nnU-Net models fail silently for Covid-19 lung lesion segmentation [0.34940201626430645]
本稿では,特徴空間におけるマハラノビス距離を利用した軽量OOD検出手法を提案する。多施設データセットで訓練したパッチベースのnnU-Netアーキテクチャを用いて,本手法の有効性を検証した。
論文参考訳（メタデータ） (2021-07-13T10:48:08Z)
On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文参考訳（メタデータ） (2021-07-01T17:59:07Z)
Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence [2.6894568533991543]
MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。 MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
論文参考訳（メタデータ） (2021-02-09T16:48:59Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
論文参考訳（メタデータ） (2020-08-11T02:40:53Z)
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)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。