論文の概要: NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for
Diffeomorphic Brain MRI Registration
- arxiv url: http://arxiv.org/abs/2108.06771v1
- Date: Sun, 15 Aug 2021 16:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:08:34.892833
- Title: NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for
Diffeomorphic Brain MRI Registration
- Title(参考訳): NPBDREG : 非パラメトリックベイズディープラーニングに基づく拡散型脳MRIレジストレーション
- Authors: Samah Khawaled, Moti Freiman
- Abstract要約: NPBDREGは、教師なしの変形可能な画像登録のための非最適フレームワークである。
それは理論上よくパラメトリックで計算的に効率的な方法で、改善された不確実性推定と信頼度測定を提供する。
PrVXMに比べて登録精度は若干改善されている。
- 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: Quantification of uncertainty in deep-neural-networks (DNN) based image
registration algorithms plays an important role in the safe deployment of
real-world medical applications and research-oriented processing pipelines, and
in improving generalization capabilities. Currently available approaches for
uncertainty estimation, including the variational encoder-decoder architecture
and the inference-time dropout approach, require specific network architectures
and assume parametric distribution of the latent space which may result in
sub-optimal characterization of the posterior distribution for the predicted
deformation-fields. We introduce the NPBDREG, a fully non-parametric Bayesian
framework for unsupervised DNN-based deformable image registration by combining
an \texttt{Adam} optimizer with stochastic gradient Langevin dynamics (SGLD) to
characterize the true posterior distribution through posterior sampling. The
NPBDREG provides a principled non-parametric way to characterize the true
posterior distribution, thus providing improved uncertainty estimates and
confidence measures in a theoretically well-founded and computationally
efficient way. We demonstrated the added-value of NPBDREG, compared to the
baseline probabilistic \texttt{VoxelMorph} unsupervised model (PrVXM), on brain
MRI images registration using $390$ image pairs from four publicly available
databases: MGH10, CMUC12, ISBR18 and LPBA40. The NPBDREG shows a slight
improvement in the registration accuracy compared to PrVXM (Dice score of
$0.73$ vs. $0.68$, $p \ll 0.01$), a better generalization capability for data
corrupted by a mixed structure noise (e.g Dice score of $0.729$ vs. $0.686$ for
$\alpha=0.2$) and last but foremost, a significantly better correlation of the
predicted uncertainty with out-of-distribution data ($r>0.95$ vs. $r<0.5$).
- Abstract(参考訳): 深層ニューラルネットワーク(dnn)に基づく画像登録アルゴリズムにおける不確かさの定量化は、現実世界の医療アプリケーションと研究指向の処理パイプラインの安全な展開と一般化能力の向上において重要な役割を担っている。
不確実性推定には、変分エンコーダ-デコーダアーキテクチャや推論時間ドロップアウトアプローチなど、特定のネットワークアーキテクチャが必要であり、予測された変形場に対する後方分布の準最適キャラクタリゼーションをもたらす潜在空間のパラメトリック分布を仮定する必要がある。
非教師なしのdnnベースの変形可能な画像登録のための完全非パラメトリックベイズフレームワークであるnpbdreg と確率勾配ランジュバンダイナミクス(sgld)を組み合わせることにより、後方サンプリングによる真の後方分布を特徴付ける。
NPBDREGは、真の後部分布を特徴付けるための原則化された非パラメトリックな方法を提供し、理論上は十分に確立され、計算的に効率的である。
MGH10, CMUC12, ISBR18, LPBA40の4つの公開データベースから390ドルの画像対を用いた脳MRI画像登録において, NPBDREGの付加価値を, ベースライン確率的 texttt{VoxelMorph} 教師なしモデル (PrVXM) と比較した。
npbdregは、prvxm($0.73$ vs.$0.68$, $p \ll 0.01$)、混合構造ノイズによるデータの一般化能力($0.729$ vs.$0.686$ for $\alpha=0.2$)、そして最後に、予測の不確実性と分散データ($r>0.95$ vs. $r<0.5$)との相関性が大幅に向上している。
関連論文リスト
- Rényi Neural Processes [14.11793373584558]
本稿では,事前の誤特定の影響を改善するためにR'enyi Neural Processs (RNP)を提案する。
密度比 $fracpq$ は (1-$alpha$) の差分勾配で後方に関してスケールする。
実験の結果,最先端のNPファミリーモデルよりも一貫したログライクな改善が見られた。
論文 参考訳(メタデータ) (2024-05-25T00:14:55Z) - NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
論文 参考訳(メタデータ) (2024-04-06T08:25:33Z) - Constraining cosmological parameters from N-body simulations with
Variational Bayesian Neural Networks [0.0]
乗法正規化フロー (MNFs) はBNNのパラメータの近似後流の族である。
我々は,標準BNNとフリップアウト推定器についてMNFの比較を行った。
MNFは、変動近似によって導入されたバイアスを緩和する真の後部へのより現実的な予測分布を提供する。
論文 参考訳(メタデータ) (2023-01-09T16:07:48Z) - DR-DSGD: A Distributionally Robust Decentralized Learning Algorithm over
Graphs [54.08445874064361]
本稿では,分散環境下での正規化された分散ロバストな学習問題を解くことを提案する。
Kullback-Liebler正規化関数をロバストなmin-max最適化問題に追加することにより、学習問題を修正されたロバストな問題に還元することができる。
提案アルゴリズムは, 最低分布検定精度を最大10%向上できることを示す。
論文 参考訳(メタデータ) (2022-08-29T18:01:42Z) - NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data [0.0]
深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
論文 参考訳(メタデータ) (2022-08-08T08:22:25Z) - Normalized/Clipped SGD with Perturbation for Differentially Private
Non-Convex Optimization [94.06564567766475]
DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。
DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
論文 参考訳(メタデータ) (2022-06-27T03:45:02Z) - 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) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳(メタデータ) (2021-10-06T08:45:03Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳(メタデータ) (2021-04-29T15:38:46Z) - Unsupervised Deep-Learning Based Deformable Image Registration: A
Bayesian Framework [0.0]
非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。
提案手法は,真の後部分布を特徴付ける手段を提供する。
提案手法は, 平均二乗誤差を改良した手法により, 変形場の推定精度を向上する。
論文 参考訳(メタデータ) (2020-08-10T08:15:49Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。