論文の概要: NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data
- arxiv url: http://arxiv.org/abs/2208.03966v1
- Date: Mon, 8 Aug 2022 08:22:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:00:04.759707
- Title: NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data
- Title（参考訳）: npb-rec: サンプルデータを用いた深部mri再構成における不確かさの非パラメトリック評価
- Authors: Samah Khawaled, Moti Freiman
- Abstract要約: 深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
- 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: Uncertainty quantification in deep-learning (DL) based image reconstruction
models is critical for reliable clinical decision making based on the
reconstructed images. We introduce "NPB-REC", a non-parametric fully Bayesian
framework for uncertainty assessment in MRI reconstruction from undersampled
"k-space" data. We use Stochastic gradient Langevin dynamics (SGLD) during the
training phase to characterize the posterior distribution of the network
weights. We demonstrated the added-value of our approach on the multi-coil
brain MRI dataset, from the fastmri challenge, in comparison to the baseline
E2E-VarNet with and without inference-time dropout. Our experiments show that
NPB-REC outperforms the baseline by means of reconstruction accuracy (PSNR and
SSIM of $34.55$, $0.908$ vs. $33.08$, $0.897$, $p<0.01$) in high acceleration
rates ($R=8$). This is also measured in regions of clinical annotations. More
significantly, it provides a more accurate estimate of the uncertainty that
correlates with the reconstruction error, compared to the Monte-Carlo inference
time Dropout method (Pearson correlation coefficient of $R=0.94$ vs. $R=0.91$).
The proposed approach has the potential to facilitate safe utilization of DL
based methods for MRI reconstruction from undersampled data. Code and trained
models are available in \url{https://github.com/samahkh/NPB-REC}.
- Abstract（参考訳）: 深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、再構成画像に基づく信頼性の高い臨床的意思決定に不可欠である。
我々は,mri再構成における不確実性評価のための非パラメトリック完全ベイズ的枠組みである"npb-rec"について紹介する。
トレーニング期間中にSGLD(Stochastic gradient Langevin dynamics)を用いて,ネットワーク重みの後方分布を特徴付ける。
我々は,マルチコイル脳MRIデータセットに対するアプローチの付加価値を,ベースラインであるE2E-VarNetと比較して,Fastmriチャレンジから実証した。
実験の結果, NPB-RECは再現精度(PSNRとSSIMは$4.55$,$0.908$,$3.08$,$0.897$,$p<0.01$)でベースラインを上回っていることがわかった。
これは臨床アノテーションの領域でも測定される。
さらに、モンテカルロ推論時間ドロップアウト法(ピアソン相関係数が$R=0.94$対$R=0.91$)と比較して、復元誤差と相関する不確かさをより正確に見積もっている。
提案手法は、アンダーサンプルデータからのMRI再構成のためのDL法を安全に活用する可能性がある。
コードとトレーニングされたモデルは \url{https://github.com/samahkh/NPB-REC} で利用できる。
関連論文リスト
- Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。
提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文 参考訳（メタデータ） (2024-07-03T01:37:56Z) - NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
論文 参考訳（メタデータ） (2024-04-06T08:25:33Z) - Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz [9.143327181265976]
画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
診断のために、与えられた入力がトレーニングデータ分布に該当するかどうかを評価することが不可欠である。
分布外画像と分布内画像とを99.94%の曲線下領域で識別するための局所リプシッツ計量に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-05-12T17:17:01Z) - PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI
using Deep Pixel Classification [0.0]
画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。
提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。
PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
論文 参考訳（メタデータ） (2023-02-28T22:26:18Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for
Diffeomorphic Brain MRI Registration [0.0]
NPBDREGは、教師なしの変形可能な画像登録のための非最適フレームワークである。
それは理論上よくパラメトリックで計算的に効率的な方法で、改善された不確実性推定と信頼度測定を提供する。
PrVXMに比べて登録精度は若干改善されている。
論文 参考訳（メタデータ） (2021-08-15T16:00:06Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z)
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。