論文の概要: Dynamic multi feature-class Gaussian process models

• arxiv url: http://arxiv.org/abs/2112.04495v1
• Date: Wed, 8 Dec 2021 15:12:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 15:24:12.633665
• Title: Dynamic multi feature-class Gaussian process models
• Title（参考訳）: 動的多機能クラスガウス過程モデル
• Authors: Jean-Rassaire Fouefack, Bhushan Borotikar, Marcel L\"uthi, Tania S. Douglas, Val\'erie Burdin and Tinashe E.M. Mutsvangwa
• Abstract要約: 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。
• 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: In model-based medical image analysis, three features of interest are the shape of structures of interest, their relative pose, and image intensity profiles representative of some physical property. Often, these are modelled separately through statistical models by decomposing the object's features into a set of basis functions through principal geodesic analysis or principal component analysis. This study presents a statistical modelling method for automatic learning of shape, pose and intensity features in medical images which we call the Dynamic multi feature-class Gaussian process models (DMFC-GPM). A DMFC-GPM is a Gaussian process (GP)-based model with a shared latent space that encodes linear and non-linear variation. Our method is defined in a continuous domain with a principled way to represent shape, pose and intensity feature classes in a linear space, based on deformation fields. A deformation field-based metric is adapted in the method for modelling shape and intensity feature variation as well as for comparing rigid transformations (pose). Moreover, DMFC-GPMs inherit properties intrinsic to GPs including marginalisation and regression. Furthermore, they allow for adding additional pose feature variability on top of those obtained from the image acquisition process; what we term as permutation modelling. For image analysis tasks using DMFC-GPMs, we adapt Metropolis-Hastings algorithms making the prediction of features fully probabilistic. We validate the method using controlled synthetic data and we perform experiments on bone structures from CT images of the shoulder to illustrate the efficacy of the model for pose and shape feature prediction. The model performance results suggest that this new modelling paradigm is robust, accurate, accessible, and has potential applications including the management of musculoskeletal disorders and clinical decision making
• Abstract（参考訳）: モデルに基づく医用画像解析において、興味のある3つの特徴は、興味のある構造の形状、相対的なポーズ、ある物理的性質を表す画像強度プロファイルである。 多くの場合、これらのモデルは統計モデルによって個別にモデル化され、対象の特徴を主測地線解析や主成分分析によって基底関数の集合に分解する。 本研究では, 医用画像の形状, ポーズ, 強度を自動的に学習する統計モデルを提案し, 動的多重特徴クラスガウス過程モデル (DMFC-GPM) と呼ぶ。 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。 本手法は, 変形場に基づく線形空間における形状, ポーズ, 強度特徴クラスを原理的に表現する連続領域で定義される。 変形場に基づく計量は、剛性変換(pose)の比較だけでなく、形状および強度特徴の変化をモデル化する方法に適応する。 さらに、DMFC-GPMは、縁化や回帰を含むGPに固有の性質を継承する。 さらに、画像取得プロセスから得られた特徴量に加えて、追加のポーズ特徴量(permutation modelling)を追加することができる。 DMFC-GPMを用いた画像解析タスクでは,メトロポリス・ハスティングスアルゴリズムを適用し,特徴量の予測を完全確率的に行う。 本手法を合成データを用いて検証し,肩のct画像から骨構造の実験を行い,ポーズ・形状特徴予測におけるモデルの有効性について検討した。 モデル性能の結果から,この新しいモデリングパラダイムは堅牢で,正確で,アクセシビリティが高く,筋骨格障害の管理や臨床的意思決定などの応用の可能性も示唆された。

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)
• Foundation Models for Slide-level Cancer Subtyping in Digital Pathology [1.7641392161755438]
  本研究の目的は,MIL フレームワークを用いて,WSI 上の癌サブタイプのための事前訓練戦略に基づいて開発された様々な特徴抽出器の性能を比較することである。 その結果、6種類の皮膚がんの亜型を予測するために、イメージネットが事前訓練したモデルを超える基礎モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-10-21T11:04:58Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)
• 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。