Fugu-MT 論文翻訳(概要): Unsupervised Deep-Learning Based Deformable Image Registration: A Bayesian Framework

論文の概要: Unsupervised Deep-Learning Based Deformable Image Registration: A Bayesian Framework

arxiv url: http://arxiv.org/abs/2008.03949v1
Date: Mon, 10 Aug 2020 08:15:49 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 22:55:17.336489
Title: Unsupervised Deep-Learning Based Deformable Image Registration: A Bayesian Framework
Title（参考訳）: 教師なしディープラーニングに基づく変形可能な画像登録:ベイズフレームワーク
Authors: Samah Khawaled and Moti Freiman
Abstract要約: 非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。提案手法は,真の後部分布を特徴付ける手段を提供する。提案手法は, 平均二乗誤差を改良した手法により, 変形場の推定精度を向上する。
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: Unsupervised deep-learning (DL) models were recently proposed for deformable image registration tasks. In such models, a neural-network is trained to predict the best deformation field by minimizing some dissimilarity function between the moving and the target images. After training on a dataset without reference deformation fields available, such a model can be used to rapidly predict the deformation field between newly seen moving and target images. Currently, the training process effectively provides a point-estimate of the network weights rather than characterizing their entire posterior distribution. This may result in a potential over-fitting which may yield sub-optimal results at inference phase, especially for small-size datasets, frequently present in the medical imaging domain. We introduce a fully Bayesian framework for unsupervised DL-based deformable image registration. Our method provides a principled way to characterize the true posterior distribution, thus, avoiding potential over-fitting. We used stochastic gradient Langevin dynamics (SGLD) to conduct the posterior sampling, which is both theoretically well-founded and computationally efficient. We demonstrated the added-value of our Basyesian unsupervised DL-based registration framework on the MNIST and brain MRI (MGH10) datasets in comparison to the VoxelMorph unsupervised DL-based image registration framework. Our experiments show that our approach provided better estimates of the deformation field by means of improved mean-squared-error ($0.0063$ vs. $0.0065$) and Dice coefficient ($0.73$ vs. $0.71$) for the MNIST and the MGH10 datasets respectively. Further, our approach provides an estimate of the uncertainty in the deformation-field by characterizing the true posterior distribution.
Abstract（参考訳）: 変形可能な画像登録タスクに対して,教師なしディープラーニング(DL)モデルが最近提案されている。このようなモデルでは、移動と対象画像との相似性を最小化し、最良の変形場を予測するためにニューラルネットワークを訓練する。参照変形場のないデータセット上でトレーニングした後、このモデルを使用して、新しく見られた移動画像と対象画像の間の変形場を迅速に予測することができる。現在、トレーニングプロセスは、背後分布全体を特徴付けるのではなく、ネットワーク重みのポイント評価を効果的に提供する。これは、特に医療画像領域に頻繁に存在する小さなデータセットに対して、推論フェーズにおける最適以下の結果をもたらす可能性のある過剰適合をもたらす可能性がある。非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。本手法は, 真の後方分布を特徴付けるための原理的手法であり, 潜在能力の過剰化を回避できる。我々は確率勾配ランゲヴィンダイナミクス(SGLD)を用いて後方サンプリングを行った。我々は,MNIST と脳MRI (MGH10) データセットにバシエアン非教師付きDLベース画像登録フレームワークの付加価値を,VoxelMorph 非教師付きDLベース画像登録フレームワークと比較した。実験の結果,mnist と mgh10 データセットに対する平均二乗誤差 (0.0063$ vs. $0.0065$) と dice 係数 (0.73$ vs. $0.71$) の改善による変形場の推定精度の向上が得られた。さらに, 本手法では, 変形場における不確かさを, 真の後方分布を特徴付けることにより推定する。

関連論文リスト

Posterior Estimation for Dynamic PET imaging using Conditional Variational Inference [10.206699988915183]
効率的な後続推定のためのディープラーニングに基づくフレームワークを提案する。具体的には、潜伏変数を導入することにより、フォワードプロセスにおける情報損失に対処する。
論文参考訳（メタデータ） (2023-10-24T14:05:30Z)
Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文参考訳（メタデータ） (2023-03-06T11:51:28Z)
Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文参考訳（メタデータ） (2022-12-04T10:40:35Z)
Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文参考訳（メタデータ） (2022-07-01T12:16:42Z)
Unsupervised Deep Learning Meets Chan-Vese Model [77.24463525356566]
本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
論文参考訳（メタデータ） (2022-04-14T13:23:57Z)
DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。本モデルは,動画像と固定画像の変形のスコア関数を学習する。本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文参考訳（メタデータ） (2021-12-09T08:41:23Z)
NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for Diffeomorphic Brain MRI Registration [0.0]
NPBDREGは、教師なしの変形可能な画像登録のための非最適フレームワークである。それは理論上よくパラメトリックで計算的に効率的な方法で、改善された不確実性推定と信頼度測定を提供する。 PrVXMに比べて登録精度は若干改善されている。
論文参考訳（メタデータ） (2021-08-15T16:00:06Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)
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)
Deep Residual Flow for Out of Distribution Detection [27.218308616245164]
本稿では,正規化フローに基づく表現密度モデルを活用することにより,最先端技術を改善する新しい手法を提案する。本稿では,ResNet および DenseNet アーキテクチャにおける提案手法の有効性について述べる。
論文参考訳（メタデータ） (2020-01-15T16:38:47Z)

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。