論文の概要: Uncertain-DeepSSM: From Images to Probabilistic Shape Models
- arxiv url: http://arxiv.org/abs/2007.06516v1
- Date: Mon, 13 Jul 2020 17:18:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:15:57.584641
- Title: Uncertain-DeepSSM: From Images to Probabilistic Shape Models
- Title（参考訳）: Uncertain-DeepSSM:画像から確率的形状モデルへ
- Authors: Jadie Adams, Riddhish Bhalodia, Shireen Elhabian
- Abstract要約: DeepSSMは、非セグメント画像から直接統計的形状表現を抽出するエンドツーエンドのディープラーニングアプローチである。
DeepSSMは、視覚的に正確には仮定できないような、不確実な形状の推定を生成する。
本研究では,ネットワークを適応させて固有入力分散を予測することにより,データ依存型アレータティック不確実性の両方を定量化する統一モデルとして,Uncertain-DeepSSMを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape modeling (SSM) has recently taken advantage of advances in
deep learning to alleviate the need for a time-consuming and expert-driven
workflow of anatomy segmentation, shape registration, and the optimization of
population-level shape representations. DeepSSM is an end-to-end deep learning
approach that extracts statistical shape representation directly from
unsegmented images with little manual overhead. It performs comparably with
state-of-the-art shape modeling methods for estimating morphologies that are
viable for subsequent downstream tasks. Nonetheless, DeepSSM produces an
overconfident estimate of shape that cannot be blindly assumed to be accurate.
Hence, conveying what DeepSSM does not know, via quantifying granular estimates
of uncertainty, is critical for its direct clinical application as an on-demand
diagnostic tool to determine how trustworthy the model output is. Here, we
propose Uncertain-DeepSSM as a unified model that quantifies both,
data-dependent aleatoric uncertainty by adapting the network to predict
intrinsic input variance, and model-dependent epistemic uncertainty via a Monte
Carlo dropout sampling to approximate a variational distribution over the
network parameters. Experiments show an accuracy improvement over DeepSSM while
maintaining the same benefits of being end-to-end with little pre-processing.
- Abstract（参考訳）: 統計的形状モデリング(SSM)は、最近、解剖学的セグメント化、形状登録、人口レベルの形状表現の最適化といった、時間を要する専門家主導のワークフローの必要性を軽減するために、ディープラーニングの進歩を生かした。
DeepSSMはエンドツーエンドのディープラーニングアプローチであり、手動によるオーバーヘッドが少なく、未分割画像から直接統計的形状表現を抽出する。
下流タスクに有効な形態を推定するための最先端形状モデリング手法と互換性がある。
それでも、DeepSSMは、視覚的に正確なものと仮定できない、不確実な形状の推定を生成する。
したがって、不確実性の詳細な見積もりを定量化することで、deepssmが知らないことを伝えることは、モデル出力がどの程度信頼できるかを決定するためのオンデマンド診断ツールとして、その直接臨床応用に不可欠である。
そこで,本論文では,ネットワークを用いて本質的入力ばらつきを予測し,モデル依存の認識の不確かさをモンテカルロ・ドロップアウトサンプリングにより推定し,ネットワークパラメータの変動分布を近似する統一モデルとして不確実性深層モデルを提案する。
実験では、DeepSSMよりも精度が向上し、前処理がほとんどないエンドツーエンドであることのメリットも維持されている。
関連論文リスト
- Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images [4.424170214926035]
対応型統計形状モデリング(SSM)は、人口レベルの形態計測を容易にする。
ディープラーニングの最近の進歩は、推論においてこのプロセスを合理化している。
我々は,ポイントクラウドを用いた画像からSSMを予測するために,弱い教師付きディープラーニングアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-15T20:47:59Z) - ADASSM: Adversarial Data Augmentation in Statistical Shape Models From
Images [0.8192907805418583]
本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。
提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
論文 参考訳（メタデータ） (2023-07-06T20:21:12Z) - Fully Bayesian VIB-DeepSSM [0.0]
統計的形状モデリング(SSM)は解剖学的形状の定量的解析を可能にし、臨床診断を行う。
DeepSSMは、アレタリック不確実性定量化画像から解剖学の確率的形状を予測するための、効果的で原則化されたフレームワークである。
完全ベイズVIBの定式化を導出し、2つのスケーラブルな実装手法の有効性を実証する。
合成形状と左房データの実験により、完全ベイズVIBネットワークは精度を犠牲にすることなく不確実性推論を改善した画像からSSMを予測することを示した。
論文 参考訳（メタデータ） (2023-05-09T23:01:05Z) - Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳（メタデータ） (2023-03-31T16:01:03Z) - From Images to Probabilistic Anatomical Shapes: A Deep Variational
Bottleneck Approach [0.0]
3次元医用画像から直接の統計的形状モデリング(SSM)は、病理の検出、疾患の診断、人口レベルの形態解析を行うための未利用のツールである。
本稿では,これらの仮定を緩和するために,変分情報ボトルネック理論に基づく基本的枠組みを提案する。
実験により,提案手法により精度が向上し,校正精度が向上することを確認した。
論文 参考訳（メタデータ） (2022-05-13T19:39:08Z) - 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) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳（メタデータ） (2021-10-14T04:52:37Z) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。