論文の概要: A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation
- arxiv url: http://arxiv.org/abs/2109.02413v1
- Date: Mon, 6 Sep 2021 12:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 17:31:40.189624
- Title: A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation
- Title（参考訳）: MRI分割品質推定のための非結合不確かさモデル
- Authors: Richard Shaw and Carole H. Sudre and Sebastien Ourselin and M. Jorge
Cardoso and Hugh G. Pemberton
- Abstract要約: タスクと異なるk空間アーティファクトに関連する不確実性のソースを分離する新しいCNNアーキテクチャを提案する。
課題の観点から,我々の不確実性予測はMRIの画質をよりよく推定できることを示す。
- 参考スコア（独自算出の注目度）: 4.104181348044472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality control (QC) of MR images is essential to ensure that downstream
analyses such as segmentation can be performed successfully. Currently, QC is
predominantly performed visually and subjectively, at significant time and
operator cost. We aim to automate the process using a probabilistic network
that estimates segmentation uncertainty through a heteroscedastic noise model,
providing a measure of task-specific quality. By augmenting training images
with k-space artefacts, we propose a novel CNN architecture to decouple sources
of uncertainty related to the task and different k-space artefacts in a
self-supervised manner. This enables the prediction of separate uncertainties
for different types of data degradation. While the uncertainty predictions
reflect the presence and severity of artefacts, the network provides more
robust and generalisable segmentation predictions given the quality of the
data. We show that models trained with artefact augmentation provide
informative measures of uncertainty on both simulated artefacts and problematic
real-world images identified by human raters, both qualitatively and
quantitatively in the form of error bars on volume measurements. Relating
artefact uncertainty to segmentation Dice scores, we observe that our
uncertainty predictions provide a better estimate of MRI quality from the point
of view of the task (gray matter segmentation) compared to commonly used
metrics of quality including signal-to-noise ratio (SNR) and contrast-to-noise
ratio (CNR), hence providing a real-time quality metric indicative of
segmentation quality.
- Abstract（参考訳）: セグメント化などの下流解析を成功させるためには,MR画像の品質管理(QC)が不可欠である。
現在、qcは主に視覚的および主観的に、かなりの時間と操作コストで実行される。
我々は,ヘテロシデスティックノイズモデルを用いてセグメンテーションの不確かさを推定する確率的ネットワークを用いて,タスク固有の品質の測定を行い,プロセスを自動化することを目的とする。
k-空間アーティファクトによる訓練画像の強化により、タスクと異なるk-空間アーティファクトに関連する不確かさの源を自己監督的に分離する新しいcnnアーキテクチャを提案する。
これにより、異なる種類のデータ劣化に対して別々の不確実性を予測することができる。
不確実性予測はアーティファクトの存在と重大さを反映するが、ネットワークはデータの品質からより堅牢で一般化可能なセグメンテーション予測を提供する。
人工物増補法により訓練されたモデルは, 擬似人工物と人間のレーダが同定した問題現実画像の両方に対して, 体積測定における誤差バーの形で定性的かつ定量的に不確実性を示す。
セグメンテーションDiceスコアと比較すると,我々の不確実性予測は,信号-ノイズ比 (SNR) やコントラスト-ノイズ比 (CNR) など,一般的に使用されている品質指標と比較して,タスク(グレーマターセグメンテーション)の観点からMRI品質の指標として優れていることが分かる。
関連論文リスト
- Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T06:50:27Z) - Comparing the quality of neural network uncertainty estimates for
classification problems [0.0]
深層学習(DL)モデルに対する不確実性定量化(UQ)手法は,本研究で注目されている。
我々は,信頼区間の品質を評価するために,頻繁な区間範囲と区間幅の統計的手法を用いる。
本稿では、これらの異なるUQ for DL法をハイパースペクトル画像目標検出問題に適用し、異なる手法の結果の不整合を示す。
論文 参考訳（メタデータ） (2023-08-11T01:55:14Z) - DifFIQA: Face Image Quality Assessment Using Denoising Diffusion
Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。
拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。
拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文 参考訳（メタデータ） (2023-05-09T21:03:13Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Uncertainty-Driven Action Quality Assessment [67.20617610820857]
本稿では,複数の判定スコアの多様性を捉えるために,不確実性駆動型AQA (UD-AQA) という新しい確率モデルを提案する。
我々は,AQA回帰損失の再重み付けに使用される各予測の不確かさを推定する。
提案手法は,オリンピックイベントMTL-AQAとFineDivingの3つのベンチマークと,手術スキルJIGSAWSデータセットの3つのベンチマークで比較結果を得た。
論文 参考訳（メタデータ） (2022-07-29T07:21:15Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳（メタデータ） (2022-05-27T09:20:06Z) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-25T21:01:00Z) - Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks [5.220940151628734]
予測の不確かさは、データ(アーキテクチャ)と不正確なモデル推論(エピステミック)におけるノイズやランダム性に起因する可能性がある
本研究では,自己教師型タスクから推定される不確実性を,データ固有のノイズとして解釈する手法を提案する。
本研究は,画像分割作業におけるアレーラティック不確実性を著しく低減する手法の有効性を示すものである。
論文 参考訳（メタデータ） (2021-10-21T09:31:00Z) - Estimating MRI Image Quality via Image Reconstruction Uncertainty [4.483523280360846]
我々は、ノイズの多いデータからクリーンな画像を復元するために、異機種間不確実性モデルを用いてCNNを訓練する。
視覚評価における品質制御は,アルゴリズム処理における品質制御と同一視できない。
論文 参考訳（メタデータ） (2021-06-21T11:22:17Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-01-08T11:56:12Z) - A Heteroscedastic Uncertainty Model for Decoupling Sources of MRI Image
Quality [3.5480752735999417]
セグメンテーションなどの下流分析を成功させるためには、医用画像の品質管理(QC)が不可欠である。
本研究では,不確実性を推定する確率的ネットワークをヘテロセダスティックノイズモデルにより構築し,そのプロセスを自動化することを目的とする。
シミュレーションされた人工物を用いて訓練したモデルは、実世界の画像に不確実性を示す情報的尺度を提供するとともに、人間のレーダが特定した問題画像に対する不確実性予測を検証する。
論文 参考訳（メタデータ） (2020-01-31T16:04:41Z)
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。