論文の概要: Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior

• arxiv url: http://arxiv.org/abs/2008.08837v1
• Date: Thu, 20 Aug 2020 08:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 03:58:29.738615
• Title: Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior
• Title（参考訳）: ベイズ深部画像を用いた医用画像における不確かさ推定
• Authors: Max-Heinrich Laves and Malte T\"olle and Tobias Ortmaier
• Abstract要約: 深層学習による逆医用画像タスクの不確実性はほとんど注目されていない。 大規模なデータセットでトレーニングされた深層モデルは、存在しない再建されたアウトプットに幻覚を与え、アーティファクトを生成する傾向がある。 我々は、再構成された画像のパラメータ化としてランダムに畳み込みネットワークを使用し、より深い画像と呼ばれる観測に一致させるために勾配降下を行う。
• 参考スコア（独自算出の注目度）: 2.0303656145222857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification in inverse medical imaging tasks with deep learning has received little attention. However, deep models trained on large data sets tend to hallucinate and create artifacts in the reconstructed output that are not anatomically present. We use a randomly initialized convolutional network as parameterization of the reconstructed image and perform gradient descent to match the observation, which is known as deep image prior. In this case, the reconstruction does not suffer from hallucinations as no prior training is performed. We extend this to a Bayesian approach with Monte Carlo dropout to quantify both aleatoric and epistemic uncertainty. The presented method is evaluated on the task of denoising different medical imaging modalities. The experimental results show that our approach yields well-calibrated uncertainty. That is, the predictive uncertainty correlates with the predictive error. This allows for reliable uncertainty estimates and can tackle the problem of hallucinations and artifacts in inverse medical imaging tasks.
• Abstract（参考訳）: 深層学習による逆医用画像タスクの不確かさの定量化はほとんど注目されていない。 しかし、大規模なデータセットで訓練された深いモデルは、解剖学的に存在しない再建された出力に幻覚を与え、人工物を作る傾向がある。 再構成画像のパラメータ化にはランダムに初期化された畳み込みネットワークを用い,それ以前の観測値と一致した勾配降下を行う。 この場合、事前の訓練が行われないので、再建は幻覚に苦しむことはない。 これをモンテカルロドロップアウトによるベイズ的アプローチに拡張し、アレエータ的・認識的不確実性の両方を定量化する。 提案手法は, 異なる医用画像モードを特徴付けるタスクに基づいて評価する。 実験の結果,本手法は十分な不確実性をもたらすことがわかった。 すなわち、予測の不確実性は予測誤差と相関する。 これにより、信頼性の高い不確実性推定が可能となり、逆医療画像課題における幻覚やアーティファクトの問題に対処できる。

関連論文リスト

• Propagation and Attribution of Uncertainty in Medical Imaging Pipelines [11.65442828043714]
  不確実性推定は、医療画像アプリケーションのための説明可能なニューラルネットワークを構築する手段を提供する。 医用画像パイプラインにおける深層学習モデルのカスケードを介して不確実性を伝播する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-28T20:23:25Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• Scene Uncertainty and the Wellington Posterior of Deterministic Image Classifiers [68.9065881270224]
  Wellington Posteriorは、同じシーンで生成された可能性のあるデータに応答して得られるであろう結果の分布である。 We we explore the use of data augmentation, dropout, ensembling, single-view reconstruction and model linearization to compute a Wellington Posterior。 他にも、生成逆数ネットワーク、ニューラルレイディアンスフィールド、条件付き事前ネットワークなどの条件付き生成モデルの使用がある。
  論文  参考訳（メタデータ） (2021-06-25T20:10:00Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging [11.677576854233394]
  本稿では,再構成の不確かさを定量化するために,変分深い確率的イメージング手法を提案する。 Deep Probabilistic Imagingは、未学習の深部生成モデルを用いて、未観測画像の後部分布を推定する。
  論文  参考訳（メタデータ） (2020-10-27T17:23:09Z)
• 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)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。