論文の概要: Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2102.06665v1
• Date: Fri, 12 Feb 2021 18:08:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-15 13:11:57.044116
• Title: Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction
• Title（参考訳）: 学習変数MRI再構成のベイズ不確実性推定
• Authors: Dominik Narnhofer and Alexander Effland and Erich Kobler and Kerstin Hammernik and Florian Knoll and Thomas Pock
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.202627467245584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent deep learning approaches focus on improving quantitative scores of dedicated benchmarks, and therefore only reduce the observation-related (aleatoric) uncertainty. However, the model-immanent (epistemic) uncertainty is less frequently systematically analyzed. In this work, we introduce a Bayesian variational framework to quantify the epistemic uncertainty. To this end, we solve the linear inverse problem of undersampled MRI reconstruction in a variational setting. The associated energy functional is composed of a data fidelity term and the total deep variation (TDV) as a learned parametric regularizer. To estimate the epistemic uncertainty we draw the parameters of the TDV regularizer from a multivariate Gaussian distribution, whose mean and covariance matrix are learned in a stochastic optimal control problem. In several numerical experiments, we demonstrate that our approach yields competitive results for undersampled MRI reconstruction. Moreover, we can accurately quantify the pixelwise epistemic uncertainty, which can serve radiologists as an additional resource to visualize reconstruction reliability.
• Abstract（参考訳）: 最近のディープラーニングアプローチは、専用のベンチマークの量的スコアの改善に重点を置いているため、観測関連の不確実性を減らすだけである。 しかし、モデルの不確かさは体系的に分析されることは少ない。 本研究では, 震源の不確実性を定量化するベイズ変動フレームワークを提案する。 そこで, 変量設定下における下検体MRI再構成の線形逆問題を解く。 関連するエネルギー汎関数は、データ忠実度項と学習パラメトリック正則化器としての全深度変動(TDV)からなる。 認識的不確かさを推定するために、確率的最適制御問題において平均と共分散行列が学習される多変量ガウス分布からtdv正則化器のパラメータを導出する。 いくつかの数値実験では、このアプローチが低サンプルMRI再建のための競争結果をもたらすことを実証する。 さらに,再構成信頼性を可視化するための追加資源として放射線科医に提供できる画素単位の認識の不確かさを正確に定量化することができる。

関連論文リスト

• PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification [0.0]
  画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。 提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。 PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
  論文  参考訳（メタデータ） (2023-02-28T22:26:18Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Leveraging Heteroscedastic Uncertainty in Learning Complex Spectral Mapping for Single-channel Speech Enhancement [20.823177372464414]
  ほとんどの音声強調(SE)モデルは、ポイント推定を学習し、学習過程における不確実性推定を利用しない。 本研究では,多変量ガウス陰性ログ類似度 (NLL) を最小化することにより,SE性能を余分なコストで向上させることにより,ヘテロスセダスティック不確実性をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-11-16T02:29:05Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• The role of MRI physics in brain segmentation CNNs: achieving acquisition invariance and instructive uncertainties [3.46329153611365]
  本稿では,物理インフォームド・不確実性を考慮したセグメンテーションネットワークの有効性を示す。 提案手法は, 分布外配列サンプルに対して精度良く外挿することを示す。 本研究では,不確実性に基づくボリューム検証による変動係数の大幅な改善を示す。
  論文  参考訳（メタデータ） (2021-11-04T11:52:49Z)
• Deep Quantile Regression for Uncertainty Estimation in Unsupervised and Supervised Lesion Detection [0.0]
  不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。 そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。 本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
  論文  参考訳（メタデータ） (2021-09-20T08:50:21Z)
• Reducing the Variance of Variational Estimates of Mutual Information by Limiting the Critic's Hypothesis Space to RKHS [0.0]
  相互情報(英: Mutual Information、MI)は、2つの確率変数間の依存性に関する情報理論の尺度である。 近年の手法では、未知密度比を近似するニューラルネットワークとしてパラメトリック確率分布や批判が実現されている。 我々は、高分散特性は、批評家の仮説空間の制御不能な複雑さに起因すると論じる。
  論文  参考訳（メタデータ） (2020-11-17T14:32:48Z)
• The Risks of Invariant Risk Minimization [52.7137956951533]
  不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。 我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。 IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
  論文  参考訳（メタデータ） (2020-10-12T14:54:32Z)
• 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。