Pulaski ProbUNet2D Base VSeg

🚀 PULASki_ProbUNet2D_Base_VSeg

医療画像の分野において、多くの教師付き学習に基づくセグメンテーション手法は、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いたセグメンテーションをもたらし、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結果を導く可能性があります。

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。このアプローチでは、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された損失関数を利用しており、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を改善します。

🚀 クイックスタート

このモデルは、医療画像の血管セグメンテーションに特化しており、専門家のアノテーションのばらつきを考慮した高精度なセグメンテーションを実現します。

✨ 主な機能

• 複数の専門家によるアノテーションのばらつきを正確に捉えることができます。
• 少量のデータセットでも効果的に学習できます。
• クラス不均衡の問題に対しても強い性能を発揮します。

📚 ドキュメント

モデルの詳細

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

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

引用

このアプローチを研究で使用する場合、またはこのリポジトリのコードや重みを使用する場合は、以下を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.

📄 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。