Published January 1, 2022
| Version v1
Publication
Open
Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation
Description
Deep learning motivated by convolutional neural networks has been highly successful in a range of medical imaging problems like image classification, image segmentation, image synthesis etc. However for validation and interpretability, not only do we need the predictions made by the model but also how confident it is while making those predictions. This is important in safety critical applications for the people to accept it. In this work, we used an encoder decoder architecture based on variational inference techniques for segmenting brain tumour images. We evaluate our work on the publicly available BRATS dataset using Dice Similarity Coefficient (DSC) and Intersection Over Union (IOU) as the evaluation metrics. Our model is able to segment brain tumours while taking into account both aleatoric uncertainty and epistemic uncertainty in a principled bayesian manner.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
كان التعلم العميق المدفوع بالشبكات العصبية الالتفافية ناجحًا للغاية في مجموعة من مشاكل التصوير الطبي مثل تصنيف الصور وتجزئة الصور وتوليف الصور وما إلى ذلك. ومع ذلك، من أجل التحقق من الصحة وقابلية التفسير، لا نحتاج فقط إلى التنبؤات التي قدمها النموذج ولكن أيضًا إلى مدى ثقته أثناء إجراء تلك التنبؤات. هذا مهم في التطبيقات الحيوية للسلامة حتى يقبلها الناس. في هذا العمل، استخدمنا بنية وحدة فك الترميز بناءً على تقنيات الاستدلال المتغير لتقسيم صور أورام المخ. نقوم بتقييم عملنا على مجموعة بيانات BRATS المتاحة للجمهور باستخدام معامل تشابه النرد (DSC) والتقاطع عبر الاتحاد (IOU) كمقاييس للتقييم. نموذجنا قادر على تجزئة أورام الدماغ مع الأخذ في الاعتبار كل من عدم اليقين الألاتوري وعدم اليقين المعرفي بطريقة بايزية مبدئية.Translated Description (French)
L'apprentissage en profondeur motivé par les réseaux de neurones convolutifs a connu un grand succès dans une gamme de problèmes d'imagerie médicale tels que la classification d'images, la segmentation d'images, la synthèse d'images, etc. Cependant, pour la validation et l'interprétabilité, non seulement nous avons besoin des prédictions faites par le modèle, mais aussi de la confiance qu'il a dans ces prédictions. Ceci est important dans les applications critiques pour la sécurité pour que les gens l'acceptent. Dans ce travail, nous avons utilisé une architecture de codeur-décodeur basée sur des techniques d'inférence variationnelle pour segmenter les images de tumeurs cérébrales. Nous évaluons notre travail sur l'ensemble de données BRATS accessibles au public en utilisant le coefficient de similarité des dés (DSC) et l'intersection sur l'union (IOU) comme paramètres d'évaluation. Notre modèle est capable de segmenter les tumeurs cérébrales tout en tenant compte à la fois de l'incertitude aléatoire et de l'incertitude épistémique d'une manière bayésienne fondée sur des principes.Translated Description (Spanish)
El aprendizaje profundo motivado por redes neuronales convolucionales ha tenido un gran éxito en una serie de problemas de imágenes médicas como la clasificación de imágenes, la segmentación de imágenes, la síntesis de imágenes, etc. Sin embargo, para la validación y la interpretabilidad, no solo necesitamos las predicciones hechas por el modelo, sino también la confianza que tiene al hacer esas predicciones. Esto es importante en aplicaciones críticas de seguridad para que las personas lo acepten. En este trabajo, utilizamos una arquitectura de decodificador codificador basada en técnicas de inferencia variacional para segmentar imágenes de tumores cerebrales. Evaluamos nuestro trabajo en el conjunto de datos BRATS disponible públicamente utilizando el Coeficiente de similitud de dados (DSC) y el Intersection Over Union (IOU) como métricas de evaluación. Nuestro modelo es capaz de segmentar los tumores cerebrales teniendo en cuenta tanto la incertidumbre aleatoria como la incertidumbre epistémica de una manera bayesiana basada en principios.Files
latest.pdf.pdf
Files
(255.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:971395921817dca6bc0e27b3a4223447
|
255.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحديد كمية عدم اليقين باستخدام الاستدلال المتغير لتقسيم الصور الطبية الحيوية
- Translated title (French)
- Quantification de l'incertitude à l'aide de l'inférence variationnelle pour la segmentation d'images biomédicales
- Translated title (Spanish)
- Cuantificación de la incertidumbre mediante inferencia variacional para la segmentación de imágenes biomédicas
Identifiers
- Other
- https://openalex.org/W4226081315
- DOI
- 10.1109/wacvw54805.2022.00010
References
- https://openalex.org/W1884191083
- https://openalex.org/W1901129140
- https://openalex.org/W1903029394
- https://openalex.org/W1909740415
- https://openalex.org/W2021707668
- https://openalex.org/W2044029912
- https://openalex.org/W2095705004
- https://openalex.org/W2105511530
- https://openalex.org/W2108677974
- https://openalex.org/W2142596017
- https://openalex.org/W2149991584
- https://openalex.org/W2170854835
- https://openalex.org/W2171615968
- https://openalex.org/W2328113634
- https://openalex.org/W2346367339
- https://openalex.org/W2484736472
- https://openalex.org/W2592929672
- https://openalex.org/W2600383743
- https://openalex.org/W2887976372
- https://openalex.org/W2890527614
- https://openalex.org/W2900298334
- https://openalex.org/W2904530326
- https://openalex.org/W2910489404
- https://openalex.org/W2946361733
- https://openalex.org/W2951266961
- https://openalex.org/W2951965145
- https://openalex.org/W2952300048
- https://openalex.org/W2953050896
- https://openalex.org/W2962914239
- https://openalex.org/W2963012093
- https://openalex.org/W2963046541
- https://openalex.org/W2964121744
- https://openalex.org/W2965563166
- https://openalex.org/W2971561076
- https://openalex.org/W2980246484
- https://openalex.org/W4287724478
- https://openalex.org/W4293582681
- https://openalex.org/W4311415873
- https://openalex.org/W601603264