論文の概要: Bayesian Logistic Shape Model Inference: application to cochlea image segmentation

• arxiv url: http://arxiv.org/abs/2105.02045v1
• Date: Wed, 5 May 2021 13:21:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 12:58:16.999138
• Title: Bayesian Logistic Shape Model Inference: application to cochlea image segmentation
• Title（参考訳）: ベイジアンロジスティック形状モデル推論:コチェリー画像セグメンテーションへの応用
• Authors: Wang Zihao, Demarcy Thomas, Vandersteen Clair, Gnansia Dan, Raffaelli Charles, Guevara Nicolas, Delingette Herv\'e
• Abstract要約: 本稿では,医療画像のセグメンテーションのためのパラメトリック形状モデルの推定について述べる。 フレームワークは、汎用形状関数に基づいて、確率的出現確率と事前ラベル確率を定義する。 10パラメータ形状モデルによって制約された臨床CT画像からのコクレア構造のセグメンテーションに適用されます。
• 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: Incorporating shape information is essential for the delineation of many organs and anatomical structures in medical images. While previous work has mainly focused on parametric spatial transformations applied on reference template shapes, in this paper, we address the Bayesian inference of parametric shape models for segmenting medical images with the objective to provide interpretable results. The proposed framework defines a likelihood appearance probability and a prior label probability based on a generic shape function through a logistic function. A reference length parameter defined in the sigmoid controls the trade-off between shape and appearance information. The inference of shape parameters is performed within an Expectation-Maximisation approach where a Gauss-Newton optimization stage allows to provide an approximation of the posterior probability of shape parameters. This framework is applied to the segmentation of cochlea structures from clinical CT images constrained by a 10 parameter shape model. It is evaluated on three different datasets, one of which includes more than 200 patient images. The results show performances comparable to supervised methods and better than previously proposed unsupervised ones. It also enables an analysis of parameter distributions and the quantification of segmentation uncertainty including the effect of the shape model.
• Abstract（参考訳）: 形状情報を組み込むことは、多くの臓器や解剖学的構造を医療画像に記述するのに不可欠である。 本稿では, 医用画像のセグメンテーションのためのパラメトリック形状モデルのベイズ推定と, 解釈可能な結果の提供を目的として, 従来の研究は主に参照テンプレート形状に適用したパラメトリック空間変換に焦点をあてたものである。 提案フレームワークは,ロジスティック関数による一般的な形状関数に基づいて,出現確率と先行ラベル確率を定義する。 シグモノイドで定義された基準長パラメータは、形状と外観情報のトレードオフを制御する。 形状パラメータの推測は、gauss-newton最適化段階が形状パラメータの後方確率の近似を可能にする期待最大化アプローチにおいて行われる。 この枠組みは10パラメータ形状モデルで制約された臨床CT画像からコチェリー構造のセグメンテーションに適用される。 3つの異なるデータセットで評価され、1つは200以上の患者画像を含む。 その結果,従来の教師なしメソッドよりも優れた教師付きメソッドに匹敵するパフォーマンスが得られた。 また、パラメータ分布の解析や、形状モデルの影響を含むセグメンテーションの不確実性の定量化も可能である。

関連論文リスト

• Optimization-Driven Statistical Models of Anatomies using Radial Basis Function Shape Representation [3.743399165184124]
  粒子に基づく形状モデリングは、解剖学の個体群における形状変数の定量化に一般的な手法である。 本稿では,従来の最適化手法を用いて,モデルの特徴をより正確に制御する手法を提案する。 本研究では,2つの実データに対する最先端手法の有効性を実証し,損失選択を実証的に正当化する。
  論文  参考訳（メタデータ） (2024-11-24T15:43:01Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Should We Learn Most Likely Functions or Parameters? [51.133793272222874]
  モデルとデータによって示唆される最も可能性の高い関数を直接推定する利点と欠点について検討する。 関数空間MAP推定は, より平坦な最小化, 一般化, オーバーフィッティングの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2023-11-27T16:39:55Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• Dynamic multi feature-class Gaussian process models [0.0]
  本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。 DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。 モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
  論文  参考訳（メタデータ） (2021-12-08T15:12:47Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Leveraging Unsupervised Image Registration for Discovery of Landmark Shape Descriptor [5.40076482533193]
  本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。 我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。 提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
  論文  参考訳（メタデータ） (2021-11-13T01:02:10Z)
• Self-Supervised Discovery of Anatomical Shape Landmarks [5.693003993674883]
  画像中のランドマークを自動的に位置決めし、検出し、その後の分析に使用できる自己教師型ニューラルネットワークアプローチを提案する。 本稿では,一組の入力画像のみを取り込み,統計的形状解析に即時に利用できるランドマークを生成する,完全なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T00:56:33Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• Dynamic multi-object Gaussian process models: A framework for data-driven functional modelling of human joints [0.0]
  形状とポーズを結合する原則的かつ堅牢な方法が,3つの主要な問題によって明らかになってきた。 本研究では,人体関節解析のための動的多目的統計モデリングフレームワークを提案する。 このフレームワークは、生物学的関節のための効率的な生成動的マルチオブジェクトモデリングプラットフォームを提供する。
  論文  参考訳（メタデータ） (2020-01-22T07:57:36Z)

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。