ترجمه فارسی مقاله یادگیری چند نمایشی قابل اعتماد با پیش‌بینی منسجم برای طبقه‌بندی تنگی آئورت در اکوکاردیوگرافی

چکیده

The fundamental problem with ultrasound-guided diagnosis is that the acquired images are often 2-D cross-sections of a 3-D anatomy, potentially missing important anatomical details. This limitation leads to challenges in ultrasound echocardiography, such as poor visualization of heart valves or foreshortening of ventricles. Clinicians must interpret these images with inherent uncertainty, a nuance absent in machine learning’s one-hot labels. We propose Re-Training for Uncertainty (RT4U), a data-centric method to introduce uncertainty to weakly informative inputs in the training set. This simple approach can be incorporated to existing state-of-the-art aortic stenosis classification methods to further improve their accuracy. When combined with conformal prediction techniques, RT4U can yield adaptively sized prediction sets which are guaranteed to contain the ground truth class to a high accuracy. We validate the effectiveness of RT4U on three diverse datasets: a public (TMED-2) and a private AS dataset, along with a CIFAR-10-derived toy dataset. Results show improvement on all the datasets.

چکیده به فارسی (ترجمه ماشینی)

مشکل اساسی در تشخیص هدایت سونوگرافی این است که تصاویر به دست آمده اغلب مقطع 2 بعدی از یک آناتومی 3 بعدی هستند که به طور بالقوه جزئیات مهم آناتومیکی را از دست نمی دهند.این محدودیت منجر به چالش هایی در اکوکاردیوگرافی سونوگرافی مانند تجسم ضعیف دریچه های قلب یا پیش بینی بطن ها می شود.پزشکان باید این تصاویر را با عدم اطمینان ذاتی تفسیر کنند ، ظرافت موجود در برچسب های یک داغ یادگیری ماشین.ما آموزش مجدد را برای عدم اطمینان (RT4U) ، یک روش داده محور برای معرفی عدم اطمینان به ورودی های ضعیف آموزنده در مجموعه آموزش پیشنهاد می کنیم.این رویکرد ساده می تواند در روشهای طبقه بندی تنگی آئورت پیشرفته موجود برای بهبود بیشتر دقت آنها گنجانیده شود.هنگامی که با تکنیک های پیش بینی کنفورماسی همراه باشد ، RT4U می تواند مجموعه های پیش بینی با اندازه سازگار را ارائه دهد که تضمین شده است که شامل کلاس حقیقت زمین با دقت بالایی باشد.ما اثربخشی RT4U را در سه مجموعه داده متنوع تأیید می کنیم: یک عمومی (TMED-2) و یک مجموعه داده خصوصی ، به همراه یک مجموعه داده اسباب بازی Cifar-10.نتایج نشان می دهد پیشرفت در تمام مجموعه داده ها.