Fugu-MT 論文翻訳(概要): Evaluating Registration Without Ground Truth

論文の概要: Evaluating Registration Without Ground Truth

arxiv url: http://arxiv.org/abs/2002.10534v1
Date: Mon, 24 Feb 2020 20:47:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 04:13:43.123759
Title: Evaluating Registration Without Ground Truth
Title（参考訳）: 根拠のない登録の評価
Authors: Carole J. Twining, Vladimir S. Petrovi\'c, Timothy F. Cootes, Roy S. Schestowitz, William R. Crum, and Christopher J. Taylor
Abstract要約: 非剛性登録(NRR)アルゴリズムの品質を評価するための汎用的手法を提案する。画像モデルの品質評価に使用できる画像モデル特異性の指標を導出する。
参考スコア（独自算出の注目度）: 1.1391158217994781
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a generic method for assessing the quality of non-rigid registration (NRR) algorithms, that does not depend on the existence of any ground truth, but depends solely on the data itself. The data is a set of images. The output of any NRR of such a set of images is a dense correspondence across the whole set. Given such a dense correspondence, it is possible to build various generative statistical models of appearance variation across the set. We show that evaluating the quality of the registration can be mapped to the problem of evaluating the quality of the resultant statistical model. The quality of the model entails a comparison between the model and the image data that was used to construct it. It should be noted that this approach does not depend on the specifics of the registration algorithm used (i.e., whether a groupwise or pairwise algorithm was used to register the set of images), or on the specifics of the modelling approach used. We derive an index of image model specificity that can be used to assess image model quality, and hence the quality of registration. This approach is validated by comparing our assessment of registration quality with that derived from ground truth anatomical labeling. We demonstrate that our approach is capable of assessing NRR reliably without ground truth. Finally, to demonstrate the practicality of our method, different NRR algorithms -- both pairwise and groupwise -- are compared in terms of their performance on 3D MR brain data.
Abstract（参考訳）: 基礎的真理の存在に依存せず,データ自体にのみ依存する,nrr(non-rigid registration)アルゴリズムの品質を評価する汎用的手法を提案する。データは画像の集合です。そのような画像の任意のNRRの出力は、集合全体にわたって密度の高い対応である。このような密接な対応を考えると、集合全体の外観変化の様々な生成統計モデルを構築することができる。この結果から, 登録の質を評価することは, 結果の統計モデルの品質を評価する問題に当てはまることを示す。モデルの品質は、モデルとそれを構築するために使用された画像データの比較を必要とする。このアプローチは、使用される登録アルゴリズムの具体性(例えば、画像の集合をグループ的にまたはペア的に登録するためにアルゴリズムが使われたかどうか)や、使用されるモデリングアプローチの具体性に依存しない。画像モデルの品質評価に使用可能な画像モデル特異性の指標を導出し,登録の質を評価する。このアプローチは、登録品質の評価と基底真理解剖学的ラベリングによる評価を比較して検証する。我々は,本手法が真理を示さずにNRRを確実に評価できることを実証する。最後に、本手法の実用性を示すため、3次元MR脳データにおける異なるNRRアルゴリズム(ペアワイズとグループワイズの両方)を比較した。

関連論文リスト

Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
論文参考訳（メタデータ） (2024-05-29T17:26:09Z)
Image Similarity using An Ensemble of Context-Sensitive Models [2.9490616593440317]
ラベル付きデータに基づく画像類似性モデルの構築と比較に,より直感的なアプローチを提案する。画像空間(R,A,B)におけるスパースサンプリングの課題と,文脈に基づくデータを用いたモデルにおけるバイアスに対処する。実験の結果,構築したアンサンブルモデルは,最高の文脈依存モデルよりも5%高い性能を示した。
論文参考訳（メタデータ） (2024-01-15T20:23:05Z)
ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
論文参考訳（メタデータ） (2023-10-20T17:22:25Z)
Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
論文参考訳（メタデータ） (2023-02-02T19:28:41Z)
DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。 5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文参考訳（メタデータ） (2022-11-09T14:57:27Z)
Understanding out-of-distribution accuracies through quantifying difficulty of test samples [10.266928164137635]
既存の研究によると、現代のニューラルネットワークは、分布内データセット(ID)において顕著な一般化性能を達成するが、分布外データセット(OOD)では精度が著しく低下する。トレーニングデータセットとモデルの相互作用に依存するテスト画像(IDまたはOOD)の難易度を定量化する新しい指標を提案する。
論文参考訳（メタデータ） (2022-03-28T21:13:41Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文参考訳（メタデータ） (2020-06-03T15:33:14Z)
A Comparative Study for Non-rigid Image Registration and Rigid Image Registration [1.7878745477602331]
本研究では,最先端のDeep-based non-rigid registration approachと厳密な登録アプローチを比較した。ボクセルモルフは、比較のために、剛体集合と非剛体集合を別々に訓練する。根平均二乗誤差 (RMSE) と平均絶対誤差 (MAE) の両値における最良の定量値は, SimpleElastix と Voxelmorph による非剛性登録 (non-rigid registration) により得られる。
論文参考訳（メタデータ） (2020-01-12T02:32:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。