ترجمه فارسی مقاله تجزیه عدم قطعیت و تشخیص حاشیه خطا توزیع Homodyned-K در سونوگرافی کمی

چکیده

Homodyned K-distribution (HK-distribution) parameter estimation in quantitative ultrasound (QUS) has been recently addressed using Bayesian Neural Networks (BNNs). BNNs have been shown to significantly reduce computational time in speckle statistics-based QUS without compromising accuracy and precision. Additionally, they provide estimates of feature uncertainty, which can guide the clinician’s trust in the reported feature value. The total predictive uncertainty in Bayesian modeling can be decomposed into epistemic (uncertainty over the model parameters) and aleatoric (uncertainty inherent in the data) components. By decomposing the predictive uncertainty, we can gain insights into the factors contributing to the total uncertainty. In this study, we propose a method to compute epistemic and aleatoric uncertainties for HK-distribution parameters ($α$ and $k$) estimated by a BNN, in both simulation and experimental data. In addition, we investigate the relationship between the prediction error and both uncertainties, shedding light on the interplay between these uncertainties and HK parameters errors.

چکیده به فارسی (ترجمه ماشینی)

تخمین پارامتر توزیع K (توزیع HK) در سونوگرافی کمی (QUS) اخیراً با استفاده از شبکه های عصبی بیزی (BNN) مورد بررسی قرار گرفته است.نشان داده شده است که BNN ها به طور قابل توجهی زمان محاسباتی را در QUS مبتنی بر آمار Speckle کاهش می دهند بدون اینکه دقت و دقت را به خطر بیاندازند.علاوه بر این ، آنها تخمین هایی از عدم قطعیت ویژگی را ارائه می دهند ، که می تواند اعتماد پزشک را به ارزش ویژگی گزارش شده راهنمایی کند.عدم قطعیت پیش بینی کل در مدل سازی بیزی را می توان به اجزای اجزای معرفتی (عدم اطمینان نسبت به پارامترهای مدل) و aleatoric (عدم اطمینان ذاتی در داده ها) تجزیه کرد.با تجزیه عدم اطمینان پیش بینی ، می توانیم بینش در مورد عوامل مؤثر در عدم اطمینان کامل کسب کنیم.در این مطالعه ، ما روشی را برای محاسبه عدم قطعیت معرفتی و آلوئری برای پارامترهای توزیع HK ($ α $ و $ k $) که توسط یک BNN تخمین زده می شود ، در هر دو داده شبیه سازی و تجربی ارائه می دهیم.علاوه بر این ، ما رابطه بین خطای پیش بینی و هر دو عدم قطعیت را بررسی می کنیم ، و در تعامل بین این عدم قطعیت ها و خطاهای پارامترهای HK روشن می شویم.