論文の概要: Rethinking Bayesian Deep Learning Methods for Semi-Supervised Volumetric
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2206.09293v1
- Date: Sat, 18 Jun 2022 23:07:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 00:41:43.819661
- Title: Rethinking Bayesian Deep Learning Methods for Semi-Supervised Volumetric
Medical Image Segmentation
- Title（参考訳）: 半スーパービジョンの医用画像分割のためのベイズ深層学習法の再考
- Authors: Jianfeng Wang, Thomas Lukasiewicz
- Abstract要約: 医用画像セグメンテーションのための新しい生成ベイズディープラーニング(GBDL)アーキテクチャを提案する。
GBDLは,入力医療ボリュームと対応するラベルの同時分布を推定することを目的とした生成モデルに属する。
我々のGBDLは、3つの公開医療データセットで一般的に使用される4つの評価指標において、従来の最先端手法よりも優れています。
- 参考スコア（独自算出の注目度）: 83.47693725782457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, several Bayesian deep learning methods have been proposed for
semi-supervised medical image segmentation. Although they have achieved
promising results on medical benchmarks, some problems are still existing.
Firstly, their overall architectures belong to the discriminative models, and
hence, in the early stage of training, they only use labeled data for training,
which might make them overfit to the labeled data. Secondly, in fact, they are
only partially based on Bayesian deep learning, as their overall architectures
are not designed under the Bayesian framework. However, unifying the overall
architecture under the Bayesian perspective can make the architecture have a
rigorous theoretical basis, so that each part of the architecture can have a
clear probabilistic interpretation. Therefore, to solve the problems, we
propose a new generative Bayesian deep learning (GBDL) architecture. GBDL
belongs to the generative models, whose target is to estimate the joint
distribution of input medical volumes and their corresponding labels.
Estimating the joint distribution implicitly involves the distribution of data,
so both labeled and unlabeled data can be utilized in the early stage of
training, which alleviates the potential overfitting problem. Besides, GBDL is
completely designed under the Bayesian framework, and thus we give its full
Bayesian formulation, which lays a theoretical probabilistic foundation for our
architecture. Extensive experiments show that our GBDL outperforms previous
state-of-the-art methods in terms of four commonly used evaluation indicators
on three public medical datasets.
- Abstract（参考訳）: 近年,半教師付き医用画像セグメンテーションのためのベイズディープラーニング手法がいくつか提案されている。
彼らは医療ベンチマークで有望な結果を得たが、いくつかの問題はまだ残っている。
まず、彼らの全体的なアーキテクチャは識別モデルに属し、トレーニングの初期段階ではトレーニングにラベル付きデータのみを使用し、ラベル付きデータに過剰に適合する可能性がある。
第二に、それらは部分的にベイズディープラーニングに基づいているだけであり、全体的なアーキテクチャはベイズフレームワークの下では設計されていない。
しかし、ベイズの観点から全体のアーキテクチャを統一することで、アーキテクチャは厳密な理論的基盤を持つことができ、アーキテクチャの各部分は明確な確率論的解釈を持つことができる。
そこで本研究では,新しい生成型ベイズディープラーニング(GBDL)アーキテクチャを提案する。
GBDLは,入力医療ボリュームと対応するラベルの同時分布を推定することを目的とした生成モデルに属する。
共同分布の推定は暗黙的にデータ分布を伴うため、ラベル付きデータとラベル付きデータの両方をトレーニングの初期段階で活用することができ、潜在的な過剰フィット問題を軽減できる。
さらに、gbdlはベイズ的枠組みの下で完全に設計されており、その完全なベイズ的定式化が我々のアーキテクチャの理論的確率論的基礎となっている。
広汎な実験により, GBDLは, 3つの公開医療データセットの4つの評価指標において, 従来の最先端手法よりも優れていたことが明らかとなった。
関連論文リスト
- LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - Inter-Rater Uncertainty Quantification in Medical Image Segmentation via
Rater-Specific Bayesian Neural Networks [7.642026462053574]
医用画像セグメンテーションにおけるレータ間不確実性を推定するための新しいベイズニューラルネットワークアーキテクチャを提案する。
まず,不確実性推定に適したワンエンコーダ・マルチデコーダアーキテクチャを提案する。
次に,新しいアーキテクチャのベイズモデルを提案する。
論文 参考訳（メタデータ） (2023-06-28T20:52:51Z) - BayeSeg: Bayesian Modeling for Medical Image Segmentation with
Interpretable Generalizability [15.410162313242958]
医用画像分割のためのモデル一般化性を高めるための解釈可能なベイズフレームワーク(BayeSeg)を提案する。
具体的には、まず、画像を空間的関連変数と空間的変動変数に分解し、階層的ベイズ事前を割り当て、それぞれドメインの安定な形状とドメイン固有の外観情報をモデル化するよう明示的に強制する。
最後に、これらの説明可能な変数の後方分布を推測する変分ベイズ的枠組みを開発する。
論文 参考訳（メタデータ） (2023-03-03T04:48:37Z) - Deconstructing Self-Supervised Monocular Reconstruction: The Design
Decisions that Matter [63.5550818034739]
本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。
事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。
我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
論文 参考訳（メタデータ） (2022-08-02T14:38:53Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳（メタデータ） (2022-07-20T19:07:46Z) - Joint Modeling of Image and Label Statistics for Enhancing Model
Generalizability of Medical Image Segmentation [14.106339318764372]
本稿では,画像統計とラベル統計を共同でモデル化する深層学習に基づくベイジアンフレームワークを提案する。
我々は,これらの変数の輪郭,基底,ラベルを含む後続分布を推定する変分ベイズ的枠組みを開発した。
クロスシーケンス心電図のセグメント化作業の結果から,本手法はモデル一般化のための新しい手法の確立を図った。
論文 参考訳（メタデータ） (2022-06-09T08:31:14Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Active Learning for Bayesian 3D Hand Pose Estimation [53.99104862192055]
本稿では3次元ポーズ推定のためのディープラーニングアーキテクチャに対するベイズ近似を提案する。
この枠組みを通じて、データや学習能力に影響される2種類の不確実性を調査し、分析する。
論文 参考訳（メタデータ） (2020-10-01T21:36:26Z) - Quantifying Model Uncertainty in Inverse Problems via Bayesian Deep
Gradient Descent [4.029853654012035]
逆問題における最近の進歩は、例えばディープニューラルネットワークのような強力なデータ駆動モデルを活用する。
ベイズニューラルネットワークによるモデル不確実性を定量化するための,スケーラブルでデータ駆動型,知識支援型計算フレームワークを開発した。
論文 参考訳（メタデータ） (2020-07-20T09:43:31Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳（メタデータ） (2020-03-02T04:31:22Z)
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。