論文の概要: Stochastic Segmentation Networks: Modelling Spatially Correlated Aleatoric Uncertainty

• arxiv url: http://arxiv.org/abs/2006.06015v2
• Date: Tue, 22 Dec 2020 16:28:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 04:57:59.330507
• Title: Stochastic Segmentation Networks: Modelling Spatially Correlated Aleatoric Uncertainty
• Title（参考訳）: 確率的セグメンテーションネットワーク:空間的関連性アレタリック不確かさのモデル化
• Authors: Miguel Monteiro, Lo\"ic Le Folgoc, Daniel Coelho de Castro, Nick Pawlowski, Bernardo Marques, Konstantinos Kamnitsas, Mark van der Wilk, Ben Glocker
• Abstract要約: 画像セグメンテーションネットワークアーキテクチャを用いてアレータティック不確実性をモデル化するための効率的な確率的手法であるセグメンテーションネットワーク(SSN)を導入する。 SSNは単一の画像に対して複数の空間的コヒーレント仮説を生成することができる。 2次元CTでは肺結節,3次元MRIでは脳腫瘍を含む実世界の医療データのセグメンテーションについて検討した。
• 参考スコア（独自算出の注目度）: 32.33791302617957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In image segmentation, there is often more than one plausible solution for a given input. In medical imaging, for example, experts will often disagree about the exact location of object boundaries. Estimating this inherent uncertainty and predicting multiple plausible hypotheses is of great interest in many applications, yet this ability is lacking in most current deep learning methods. In this paper, we introduce stochastic segmentation networks (SSNs), an efficient probabilistic method for modelling aleatoric uncertainty with any image segmentation network architecture. In contrast to approaches that produce pixel-wise estimates, SSNs model joint distributions over entire label maps and thus can generate multiple spatially coherent hypotheses for a single image. By using a low-rank multivariate normal distribution over the logit space to model the probability of the label map given the image, we obtain a spatially consistent probability distribution that can be efficiently computed by a neural network without any changes to the underlying architecture. We tested our method on the segmentation of real-world medical data, including lung nodules in 2D CT and brain tumours in 3D multimodal MRI scans. SSNs outperform state-of-the-art for modelling correlated uncertainty in ambiguous images while being much simpler, more flexible, and more efficient.
• Abstract（参考訳）: イメージセグメンテーションでは、与えられた入力に対して複数の可算解が存在することが多い。 例えば、医療画像では、専門家はオブジェクト境界の正確な位置について意見が一致しないことが多い。 この本質的な不確実性を推定し、複数の証明可能な仮説を予測することは、多くのアプリケーションにおいて大きな関心を集めている。 本稿では,任意の画像セグメンテーションネットワークアーキテクチャを用いて,確率的不確かさをモデル化する効率的な確率的手法である確率的セグメンテーションネットワーク(ssns)を提案する。 ピクセルワイズ推定を生成するアプローチとは対照的に、SSNはラベルマップ全体の関節分布をモデル化し、1つの画像に対して複数の空間的コヒーレント仮説を生成することができる。 ロージット空間上の低ランク多変量正規分布を用いて、画像が与えられたラベルマップの確率をモデル化することにより、基礎となるアーキテクチャを変更することなく、ニューラルネットワークによって効率的に計算できる空間的に一貫した確率分布を得る。 2次元CTでは肺結節,3次元MRIでは脳腫瘍を含む実世界の医療データのセグメンテーションについて検討した。 SSNは、曖昧な画像の相関不確かさをモデル化し、よりシンプルで、より柔軟で、より効率的である。

関連論文リスト

• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。 SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging [21.311726807879456]
  イメージセグメンテーションでは、この問題に対処するために潜在密度モデルを利用することができる。 最も一般的なアプローチは確率的U-Net (PU-Net) である。 我々は,すべての潜伏次元における等質性を促進するために,相互情報更新とエントロピー規則化されたシンクホーン更新を導入する。
  論文  参考訳（メタデータ） (2023-07-31T14:09:03Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Learning multi-scale local conditional probability models of images [7.07848787073901]
  ディープニューラルネットワークは、最近のスコアベース拡散法で得られた高品質な世代によって証明されたように、画像の強力な事前確率モデルを学ぶことができる。 しかし、これらのネットワークが複雑なグローバルな統計構造をとらえる手段は、明らかに次元の呪いに苦しむことなく、謎のままだ。 我々は拡散法を多スケール分解に取り入れ、粗大係数に条件付きウェーブレット係数の定常局所マルコフモデルを仮定することにより次元性を減少させる。
  論文  参考訳（メタデータ） (2023-03-06T09:23:14Z)
• Bayesian Deep Learning for Affordance Segmentation in images [3.15834651147911]
  本稿では,画像の空き地を検出するための新しいベイズディープネットワークを提案する。 空間レベルでの動脈およびてんかんの分布を定量化する。 その結果,決定論的ネットワークの最先端性が向上した。
  論文  参考訳（メタデータ） (2023-03-02T00:01:13Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data [24.12765716392381]
  距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。 DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。 脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-18T13:01:06Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
  本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。 我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。 マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
  論文  参考訳（メタデータ） (2020-10-17T04:25:32Z)

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。