Основные понятия
nnU-Netは医療画像セグメンテーションにおいて優れた性能を発揮しているが、その信頼性を示す不確実性の指標を提供していない。本研究では、nnU-Netの不確実性を効率的に推定する新しい手法を提案する。
Аннотация
本研究では、nnU-Netの不確実性推定のための新しい手法を提案した。従来のMonte Carlo Dropoutやmean-field Bayesian Neural Networksとは異なり、提案手法はnnU-Netのアーキテクチャを変更せずに、効率的にベイズ推論を実現する。
具体的には、確率的勾配降下法(SGD)の最適化過程で得られる重みの軌跡を利用して、重みの事後分布をサンプリングする。さらに、学習率のサイクリック変化を導入することで、重みの多峰性を捉えることができる。
提案手法は、公開データセットACDCおよびM&Mを用いた実験で、既存手法と比較して優れた不確実性推定性能を示した。また、多峰性を考慮した重み平均化により、nnU-Netの精度も向上させることができた。
Статистика
nnU-Netは医療画像セグメンテーションにおいて優れた性能を発揮しているが、その信頼性を示す不確実性の指標を提供していない。
提案手法は、SGDの最適化過程で得られる重みの軌跡を利用して、効率的にベイズ推論を実現する。
学習率のサイクリック変化を導入することで、重みの多峰性を捉えることができる。
提案手法は、公開データセットACDCおよびM&Mを用いた実験で、既存手法と比較して優れた不確実性推定性能を示した。
多峰性を考慮した重み平均化により、nnU-Netの精度も向上させることができた。
Цитаты
"nnU-Netは医療画像セグメンテーションにおいて優れた性能を発揮しているが、その信頼性を示す不確実性の指標を提供していない。"
"提案手法は、SGDの最適化過程で得られる重みの軌跡を利用して、効率的にベイズ推論を実現する。"
"学習率のサイクリック変化を導入することで、重みの多峰性を捉えることができる。"