論文の概要: Uncertainty Estimation in Medical Image Localization: Towards Robust
Anterior Thalamus Targeting for Deep Brain Stimulation
- arxiv url: http://arxiv.org/abs/2011.02067v1
- Date: Tue, 3 Nov 2020 23:43:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 05:55:29.216236
- Title: Uncertainty Estimation in Medical Image Localization: Towards Robust
Anterior Thalamus Targeting for Deep Brain Stimulation
- Title（参考訳）: 医用画像像定位における不確かさ推定 : 深部脳刺激に対するロバスト前視床目標に向けて
- Authors: Han Liu, Can Cui, Dario J. Englot, Benoit M. Dawant
- Abstract要約: 本稿では,2段階の深層学習(DL)フレームワークを提案する。
第1段階は、脳MRI全体から視床領域を特定して収穫する。
第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
- 参考スコア（独自算出の注目度）: 11.910765921234333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atlas-based methods are the standard approaches for automatic targeting of
the Anterior Nucleus of the Thalamus (ANT) for Deep Brain Stimulation (DBS),
but these are known to lack robustness when anatomic differences between
atlases and subjects are large. To improve the localization robustness, we
propose a novel two-stage deep learning (DL) framework, where the first stage
identifies and crops the thalamus regions from the whole brain MRI and the
second stage performs per-voxel regression on the cropped volume to localize
the targets at the finest resolution scale. To address the issue of data
scarcity, we train the models with the pseudo labels which are created based on
the available labeled data using multi-atlas registration. To assess the
performance of the proposed framework, we validate two sampling-based
uncertainty estimation techniques namely Monte Carlo Dropout (MCDO) and
Test-Time Augmentation (TTA) on the second-stage localization network.
Moreover, we propose a novel uncertainty estimation metric called maximum
activation dispersion (MAD) to estimate the image-wise uncertainty for
localization tasks. Our results show that the proposed method achieved more
robust localization performance than the traditional multi-atlas method and TTA
could further improve the robustness. Moreover, the epistemic and hybrid
uncertainty estimated by MAD could be used to detect the unreliable
localizations and the magnitude of the uncertainty estimated by MAD could
reflect the degree of unreliability for the rejected predictions.
- Abstract（参考訳）: アトラス法は、深部脳刺激(DBS)のための視床前核(ANT)の自動的ターゲティングの標準手法であるが、アトラスと被験者の解剖学的差異が大きい場合には、堅牢性が欠如していることが知られている。
局所化の堅牢性を改善するために,第1段階が脳MRI全体から視床領域を特定して収穫し,第2段階が収穫された体積に対して1ボクセルレグレッションを行い,目標を最も解像度の高いスケールでローカライズする,新たな2段階ディープラーニング(DL)フレームワークを提案する。
データ不足の問題に対処するために,マルチアトラス登録を用いて利用可能なラベル付きデータに基づいて作成した擬似ラベルを用いてモデルをトレーニングする。
提案手法の性能を評価するため,モンテカルロ・ドロップアウト (MCDO) とテスト時間拡張 (TTA) という2つのサンプリングベース不確実性推定手法を2段階のローカライゼーションネットワーク上で検証した。
さらに,局所化タスクのイメージワイド不確実性を推定するために,最大アクティベーション分散(MAD)と呼ばれる新しい不確実性推定指標を提案する。
提案手法は従来のマルチアトラス法よりもロバストなローカライズ性能を実現し,TTAはロバスト性をさらに向上できることを示した。
さらに,MADが推定した疫学的およびハイブリッド的不確実性は,信頼性の低い局所化の検出に利用することができ,MADが推定した不確実性の大きさは,拒絶された予測に対する信頼性の程度を反映することができた。
関連論文リスト
- DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
論文 参考訳（メタデータ） (2024-04-01T18:59:13Z) - Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation [3.0665936758208447]
深層学習法は多くの医用画像セグメンテーションタスクにおいて最先端の性能を達成した。
最近の研究では、ディープニューラルネットワーク(DNN)が誤解され、過信され、"サイレント障害"につながることが示されている。
医療データ増大に対応するため,Hachian Monte Carlo (HMC) を用いたベイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-04T18:47:56Z) - Discretization-Induced Dirichlet Posterior for Robust Uncertainty
Quantification on Regression [17.49026509916207]
不確実性定量化は、現実世界のアプリケーションにディープニューラルネットワーク(DNN)をデプロイするために重要である。
視覚回帰タスクでは、現在のAuxUE設計は、主にアレタリック不確実性推定に採用されている。
回帰タスクにおけるより堅牢な不確実性定量化のための一般化されたAuxUEスキームを提案する。
論文 参考訳（メタデータ） (2023-08-17T15:54:11Z) - Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment [32.632944734192435]
低線量CT(LDCT)画像再構成技術は、許容画質を維持しつつ、患者の放射線被曝を減らすことができる。
この問題ではディープラーニングが広く用いられているが、臨床シナリオではデータテストのパフォーマンスが劣化することが多い。
LDCT再構成の教師なし領域適応(UDA)は分布アライメントによってこの問題を解決するために提案されている。
論文 参考訳（メタデータ） (2023-02-26T07:10:09Z) - Uncertainty Estimation for Heatmap-based Landmark Localization [4.673063715963989]
推定誤差境界を持つ不確実性によって予測を分類するデータ駆動手法であるQuantile Binningを提案する。
この枠組みは,3つの不確実性対策を比較し,対比することによって実証する。
我々は、Quantile Binsで捕捉された大まかな誤予測をフィルタリングすることで、許容可能なエラー閾値下での予測の割合を大幅に改善する、という結論を導いた。
論文 参考訳（メタデータ） (2022-03-04T14:40:44Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z) - Conditional Training with Bounding Map for Universal Lesion Detection [33.24904644311758]
CTにおけるユニバーサル病変検出は、コンピュータ診断に不可欠な役割を担います。
2段階のULD法はまだ正対の不均衡のような問題に苦しんでいます。
オブジェクト提案中の負のアンカー。
負アンカーの不均衡を低減できる2段階uddのためのbmに基づく条件訓練を提案する。
論文 参考訳（メタデータ） (2021-03-23T03:04:13Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z) - 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)
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。