Fugu-MT 論文翻訳(概要): CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images

論文の概要: CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images

arxiv url: http://arxiv.org/abs/2010.08713v2
Date: Tue, 20 Oct 2020 20:23:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 11:40:55.366907
Title: CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images
Title（参考訳）: CQ-VAE:不確実性推定のための座標量子VAEと腰椎MRI画像からのディスク形状解析への応用
Authors: Linchen Qian, Jiasong Chen, Timur Urakov, Weiyong Gu, Liang Liang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.5841288368322592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ambiguity is inevitable in medical images, which often results in different image interpretations (e.g. object boundaries or segmentation maps) from different human experts. Thus, a model that learns the ambiguity and outputs a probability distribution of the target, would be valuable for medical applications to assess the uncertainty of diagnosis. In this paper, we propose a powerful generative model to learn a representation of ambiguity and to generate probabilistic outputs. Our model, named Coordinate Quantization Variational Autoencoder (CQ-VAE) employs a discrete latent space with an internal discrete probability distribution by quantizing the coordinates of a continuous latent space. As a result, the output distribution from CQ-VAE is discrete. During training, Gumbel-Softmax sampling is used to enable backpropagation through the discrete latent space. A matching algorithm is used to establish the correspondence between model-generated samples and "ground-truth" samples, which makes a trade-off between the ability to generate new samples and the ability to represent training samples. Besides these probabilistic components to generate possible outputs, our model has a deterministic path to output the best estimation. We demonstrated our method on a lumbar disk image dataset, and the results show that our CQ-VAE can learn lumbar disk shape variation and uncertainty.
Abstract（参考訳）: 医学画像では曖昧さは避けられず、しばしば異なる人間の専門家から異なる画像解釈(例えば、オブジェクト境界やセグメンテーションマップ)をもたらす。したがって、あいまいさを学習し、ターゲットの確率分布を出力するモデルは、診断の不確実性を評価するために医療応用に有用である。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、連続潜時空間の座標を量子化し、内部の離散確率分布を持つ離散潜時空間を用いる。その結果、CQ−VAEからの出力分布が離散化される。トレーニング中、Gumbel-Softmaxサンプリングは離散潜在空間をバックプロパゲーションするために使用される。マッチングアルゴリズムは、モデル生成サンプルと"接地真実"サンプルの対応を確立するために使用され、新しいサンプルを生成する能力とトレーニングサンプルを表現する能力との間にトレードオフが生じる。可能な出力を生成する確率的成分に加えて、我々のモデルは最良の推定を出力する決定論的経路を持つ。本手法を腰椎椎間板画像データセット上で実演し,CQ-VAEが腰椎椎間板形状の変化と不確かさを学習できることを示す。

関連論文リスト

Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文参考訳（メタデータ） (2023-05-17T17:47:19Z)
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)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
Structured Uncertainty in the Observation Space of Variational Autoencoders [20.709989481734794]
画像合成において、そのような分布からのサンプリングは、非相関な画素ノイズを伴う空間的非コヒーレントな結果を生成する。低ランクパラメータ化により空間依存性を符号化する観測空間の代替モデルを提案する。画素単位の独立分布とは対照的に,本サンプルは複数の可算出力の予測を可能にする平均値から意味論的に有意な変動を含むと考えられる。
論文参考訳（メタデータ） (2022-05-25T07:12:50Z)
Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文参考訳（メタデータ） (2021-07-29T17:42:12Z)
Anomaly detection through latent space restoration using vector-quantized variational autoencoders [0.8122270502556374]
本稿では,密度と復元に基づく手法を用いた分散検出手法を提案する。 VQ-VAEモデルは、分類的潜在空間で画像をエンコードすることを学ぶ。潜在コードの事前分布は、オートリグレッシブ(ar)モデルを使用してモデル化される。
論文参考訳（メタデータ） (2020-12-12T09:19:59Z)
Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文参考訳（メタデータ） (2020-11-26T19:39:10Z)
Addressing Variance Shrinkage in Variational Autoencoders using Quantile Regression [0.0]
可変変分オートエンコーダ (VAE) は, 医用画像の病変検出などの応用において, 異常検出の一般的なモデルとなっている。本稿では,分散の縮小や過小評価といったよく知られた問題を避けるための代替手法について述べる。ガウスの仮定の下で推定された定量値を用いて平均値と分散値を計算し、再構成確率を外乱検出や異常検出の原理的アプローチとして計算する。
論文参考訳（メタデータ） (2020-10-18T17:37:39Z)
Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文参考訳（メタデータ） (2020-09-07T13:01:45Z)
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)
Stochastic Segmentation Networks: Modelling Spatially Correlated Aleatoric Uncertainty [32.33791302617957]
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。
論文参考訳（メタデータ） (2020-06-10T18:06:41Z)

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。