Pulaski ProbUNet3D Base VSeg

🚀 PULASki_ProbUNet3D_Base_VSeg

医療画像の分野では、多くの教師あり学習に基づくセグメンテーション手法が、複数の専門家によるアノテーションの高いばらつき、ラベル付きデータの不足、クラス不均衡のデータセットなど、いくつかの課題に直面しています。これらの問題は、臨床分析に必要な精度を欠き、関連する不確実性の定量化がないまま過度に自信を持った誤解を招くセグメンテーション結果をもたらす可能性があります。

私たちは、PULASkiを、専門家のアノテーションのばらつきを小さなデータセットでも正確に捉える、計算効率の高い生物医学画像セグメンテーション用の生成ツールとして提案しました。当社のアプローチでは、条件付き変分オートエンコーダ構造（確率的UNet）における統計的距離に基づく改良型損失関数を利用しています。これにより、特にクラス不均衡の問題において、標準的な交差エントロピーと比較して条件付きデコーダの学習が改善されます。

✨ 主な機能

医療画像分野において、専門家のアノテーションのばらつきを正確に捉え、小さなデータセットでも有効な生物医学画像セグメンテーションを行うことができます。改良型損失関数を用いることで、クラス不均衡の問題における条件付きデコーダの学習を改善します。

📚 ドキュメント

モデルの詳細

このモデルは、Soumick Chatterjee, Franziska Gaidzik, Alessandro Sciarra, Hendrik Mattern, Gábor Janiga, Oliver Speck, Andreas Nürnberger, Sahani PathirajaによるPULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentationで紹介されました。

モデルの説明

モデルのソース

• リポジトリ: https://github.com/soumickmj/PULASki
• 論文: https://arxiv.org/abs/2312.15686

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。

引用

もしこのアプローチをあなたの研究で使用する場合、またはこのリポジトリのコードやウェイトを使用する場合は、以下をあなたの出版物で引用してください。

BibTeX:

@article{chatterjee2023pulaski,
  title={PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation},
  author={Chatterjee, Soumick and Gaidzik, Franziska and Sciarra, Alessandro and Mattern, Hendrik and Janiga, G{\'a}bor and Speck, Oliver and N{\"u}rnberger, Andreas and Pathiraja, Sahani},
  journal={arXiv preprint arXiv:2312.15686},
  year={2023}
}

APA: Chatterjee, S., Gaidzik, F., Sciarra, A., Mattern, H., Janiga, G., Speck, O., Nuernberger, A., & Pathiraja, S. (2023). PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation. arXiv preprint arXiv:2312.15686.