Uncertainty Quantification for Eosinophil Segmentation

要約

好酸球性食道炎 (EoE) は、有病率が増加しているアレルギー疾患です。
EoEを診断するには、病理学者は単一の高倍率視野（倍率400倍）内で15個以上の好酸球を見つけなければなりません。
患者が EoE に罹患しているかどうかを判断するのは困難なプロセスとなる可能性があり、診断を支援するために使用される医療画像アプローチでは、効率と精度の両方を考慮する必要があります。
我々は、ディープ画像セグメンテーションを使用して好酸球を定量化するための Adorno らのアプローチの改良を提案します。
私たちの新しいアプローチは、過学習を軽減するための深層学習における一般的なアプローチであるモンテカルロ ドロップアウトを利用して、現在の深層学習モデルの不確実性を定量化します。
不確実性を出力画像で視覚化してモデルのパフォーマンスを評価し、深層学習アルゴリズムがどのように機能するかについての洞察を提供し、病理学者が好酸球を特定するのを支援できます。

要約(オリジナル)

Eosinophilic Esophagitis (EoE) is an allergic condition increasing in prevalence. To diagnose EoE, pathologists must find 15 or more eosinophils within a single high-power field (400X magnification). Determining whether or not a patient has EoE can be an arduous process and any medical imaging approaches used to assist diagnosis must consider both efficiency and precision. We propose an improvement of Adorno et al’s approach for quantifying eosinphils using deep image segmentation. Our new approach leverages Monte Carlo Dropout, a common approach in deep learning to reduce overfitting, to provide uncertainty quantification on current deep learning models. The uncertainty can be visualized in an output image to evaluate model performance, provide insight to how deep learning algorithms function, and assist pathologists in identifying eosinophils.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google