論文の概要: Generalized Probabilistic U-Net for medical image segementation

• arxiv url: http://arxiv.org/abs/2207.12872v1
• Date: Tue, 26 Jul 2022 13:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:25:05.934860
• Title: Generalized Probabilistic U-Net for medical image segementation
• Title（参考訳）: 医用画像隔離のための一般化確率的U-Net
• Authors: Ishaan Bhat, Josien P.W. Pluim, Hugo J. Kuijf
• Abstract要約: ガウス分布のより一般的な形式を許容することにより、確率的U-ネットを拡張した一般化確率的U-Netを提案する。 LIDC-IDRIデータセットを用いて,遅延空間分布の選択が参照セグメンテーションの不確かさを捕捉する効果について検討した。
• 参考スコア（独自算出の注目度）: 3.398241562010881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the Generalized Probabilistic U-Net, which extends the Probabilistic U-Net by allowing more general forms of the Gaussian distribution as the latent space distribution that can better approximate the uncertainty in the reference segmentations. We study the effect the choice of latent space distribution has on capturing the uncertainty in the reference segmentations using the LIDC-IDRI dataset. We show that the choice of distribution affects the sample diversity of the predictions and their overlap with respect to the reference segmentations. For the LIDC-IDRI dataset, we show that using a mixture of Gaussians results in a statistically significant improvement in the generalized energy distance (GED) metric with respect to the standard Probabilistic U-Net. We have made our implementation available at https://github.com/ishaanb92/GeneralizedProbabilisticUNet
• Abstract（参考訳）: 本稿では、ガウス分布のより一般的な形式を、参照セグメンテーションの不確実性をよりよく近似できる潜在空間分布として許容することにより、確率的U-ネットを拡張する一般化確率的U-Netを提案する。 LIDC-IDRIデータセットを用いて,遅延空間分布の選択が参照セグメンテーションの不確かさを捕捉する効果について検討した。 本研究では,分布の選択が,参照セグメンテーションに対する予測と重なり合いのサンプル多様性に影響を与えることを示す。 LIDC-IDRIデータセットでは,ガウスの混合を用いると,標準確率U-Netに対する一般化エネルギー距離(GED)メートル法が統計的に有意に向上することを示す。 私たちは実装をhttps://github.com/ishaanb92/GeneralizedProbabilisticUNetで公開しました。

関連論文リスト

• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Effect of latent space distribution on the segmentation of images with multiple annotations [5.054729045700466]
  本稿では、ガウス分布のより一般的な形式を潜在空間分布として許容することにより、確率的U-ネットを拡張した一般化確率的U-Netを提案する。 脳内の肺腫瘍および白質過大度の基準セグメンテーションの変動を捉えるために,潜時空間分布の選択が与える影響について検討した。
  論文  参考訳（メタデータ） (2023-04-26T12:00:00Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian Processes [8.4159776055506]
  我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。 まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。 我々の新しい手法は他の最先端のDGP手法よりも優れている。
  論文  参考訳（メタデータ） (2022-02-07T15:22:56Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Differential Privacy of Dirichlet Posterior Sampling [0.0]
  ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。 トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
  論文  参考訳（メタデータ） (2021-10-03T07:41:19Z)
• Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection [0.0]
  本稿では,ガウス分布を用いた対象領域のファジィ表現について述べる。 また,Helinger Distance に基づくガウス分布の類似度尺度も提示し,確率的交叉対ユニオン(ProbIoU)とみなすことができる。
  論文  参考訳（メタデータ） (2021-06-10T22:24:31Z)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• 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)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。