論文の概要: Driving Points Prediction For Abdominal Probabilistic Registration

• arxiv url: http://arxiv.org/abs/2208.03232v1
• Date: Fri, 5 Aug 2022 15:28:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:47:10.161525
• Title: Driving Points Prediction For Abdominal Probabilistic Registration
• Title（参考訳）: 腹部確率登録における駆動点予測
• Authors: Samuel Joutard, Reuben Dorent, Sebastien Ourselin, Tom Vercauteren, Marc Modat
• Abstract要約: 確率変位登録モデルは、点のサブセットの変位分布を推定する。 本研究では,駆動点予測器の学習について述べる。 異なるモーダル性に対応する2つの異なるデータセットに対するコントリビューションの効果を評価する。
• 参考スコア（独自算出の注目度）: 3.4093813201755627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inter-patient abdominal registration has various applications, from pharmakinematic studies to anatomy modeling. Yet, it remains a challenging application due to the morphological heterogeneity and variability of the human abdomen. Among the various registration methods proposed for this task, probabilistic displacement registration models estimate displacement distribution for a subset of points by comparing feature vectors of points from the two images. These probabilistic models are informative and robust while allowing large displacements by design. As the displacement distributions are typically estimated on a subset of points (which we refer to as driving points), due to computational requirements, we propose in this work to learn a driving points predictor. Compared to previously proposed methods, the driving points predictor is optimized in an end-to-end fashion to infer driving points tailored for a specific registration pipeline. We evaluate the impact of our contribution on two different datasets corresponding to different modalities. Specifically, we compared the performances of 6 different probabilistic displacement registration models when using a driving points predictor or one of 2 other standard driving points selection methods. The proposed method improved performances in 11 out of 12 experiments.
• Abstract（参考訳）: 患者間腹部登録は、薬物動態研究から解剖学モデリングまで様々な応用がある。 しかし,ヒト腹部の形態的異質性と変動性から,なおも難解な応用である。 この課題のために提案された様々な登録手法のうち,確率的変位登録モデルは,2つの画像の特徴ベクトルを比較して,点のサブセットの変位分布を推定する。 これらの確率モデルは、設計による大きな変位を許容しながら、情報的かつ堅牢である。 移動分布は、典型的には(駆動点と呼ぶ)点のサブセット上で推定されるため、計算の要求により、本研究では駆動点予測子を学習するために提案する。 従来提案手法と比較して、駆動点予測器は、特定の登録パイプラインに適した駆動点を推測するためにエンドツーエンドで最適化されている。 異なるモダリティに対応する2つの異なるデータセットに対する貢献の影響を評価した。 具体的には、駆動点予測器または他の2つの標準駆動点選択法を用いて、6種類の確率的変位登録モデルの性能を比較した。 提案手法は12実験中11実験で性能改善を行った。

関連論文リスト

• CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory Prediction Models for Autonomous Driving [6.868387710209245]
  我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。 提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
  論文  参考訳（メタデータ） (2023-10-11T18:28:15Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Suitability of Different Metric Choices for Concept Drift Detection [9.76294323004155]
  ドリフト検出のための多くの教師なしのアプローチは、2つの時間窓のサンプル間の差を測定することに依存している。 ほとんどのドリフト検出法は、どの計量を使用するか、この計量がどのように推定されるか、どのように決定しきい値が見つかるかで区別できる。 我々は,異なる種類の推定器と測定器を理論的,実証的に比較し,単一の測定器の関連性について検討する。
  論文  参考訳（メタデータ） (2022-02-19T01:11:32Z)
• Identifying On-road Scenarios Predictive of ADHD usingDriving Simulator Time Series Data [0.0]
  本稿では,対象タスクの予測可能な時系列のサブインターバルを自動的に識別する新しいアルゴリズムを提案する。 運転シミュレーター研究から収集したデータを用いて、注意欠陥高活動障害(ADHD)の存在を予測できる運転行動を示す経路に沿った空間領域を特定する。 実験の結果,事前の取り組み (+10%以上の精度) よりも向上し, 道路上でのシナリオの特定とスクリプト化の整合性が良好であった。
  論文  参考訳（メタデータ） (2021-11-12T15:36:53Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• RNN-based Pedestrian Crossing Prediction using Activity and Pose-related Features [3.530819234519772]
  本稿では,この問題を解決するために,ディープラーニングシステムの様々なバリエーションを提案する。 提案モデルはCNNベースの特徴抽出器とRNNモジュールの2つの部分から構成される。 その結果, 特徴抽出法の選択, 歩行者視線方向, 離散方向などの変数の追加, 選択したRNNタイプが最終性能に有意な影響を及ぼすことが示唆された。
  論文  参考訳（メタデータ） (2020-08-26T16:06:24Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。