論文の概要: Uncertainty-aware U-Net for Medical Landmark Detection

• arxiv url: http://arxiv.org/abs/2303.10349v1
• Date: Sat, 18 Mar 2023 06:55:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 19:55:04.737506
• Title: Uncertainty-aware U-Net for Medical Landmark Detection
• Title（参考訳）: 医用ランドマーク検出のための不確実性認識U-Net
• Authors: Ziyang Ye, Haiyang Yu, Bin Li
• Abstract要約: 現在の熱マップに基づくほとんどの手法は、それぞれのランドマークの分布は等方性であり、現実とは一致しないかもしれないと仮定している。 対象ガウス分布の共分散行列を予測するために,ピラミッド共分散予測器というモジュールを提案する。 実験により、ピラミッド共分散予測器は分布を正確に予測し、解剖学的ランドマーク検出の性能を向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 7.645078810138798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heatmap-based methods play an important role in anatomical landmark detection. However, most current heatmap-based methods assume that the distributions of all landmarks are the same and the distribution of each landmark is isotropic, which may not be in line with reality. For example, the landmark on the jaw is more likely to be located along the edge and less likely to be located inside or outside the jaw. Manually annotating tends to follow similar rules, resulting in an anisotropic distribution for annotated landmarks, which represents the uncertainty in the annotation. To estimate the uncertainty, we propose a module named Pyramid Covariance Predictor to predict the covariance matrices of the target Gaussian distributions, which determine the distributions of landmarks and represent the uncertainty of landmark annotation. Specifically, the Pyramid Covariance Predictor utilizes the pyramid features extracted by the encoder of the backbone U-Net and predicts the Cholesky decomposition of the covariance matrix of the landmark location distribution. Experimental results show that the proposed Pyramid Covariance Predictor can accurately predict the distributions and improve the performance of anatomical landmark detection.
• Abstract（参考訳）: ヒートマップに基づく手法は解剖学的ランドマーク検出において重要な役割を果たす。 しかし、現在のヒートマップに基づくほとんどの方法は、全てのランドマークの分布が同じであり、各ランドマークの分布は等方的であり、現実と一致しないかもしれないと仮定している。 例えば、顎のランドマークは縁に沿って位置する傾向があり、顎の内側や外側に位置する傾向が低い。 手動の注釈は同様の規則に従う傾向にあり、アノテーションの不確実性を表す注釈付きランドマークに対して異方性分布をもたらす。 不確かさを推定するために,目標ガウス分布の共分散行列を予測し,ランドマークの分布を決定し,ランドマークアノテーションの不確実性を表すピラミッド共分散予測モジュールを提案する。 具体的には、ピラミッド共分散予測器は、バックボーンu-netのエンコーダによって抽出されたピラミッド特徴を利用し、ランドマーク位置分布の共分散行列のコレスキー分解を予測する。 実験の結果, ピラミッド共分散予測器は, 分布を正確に予測し, 解剖学的ランドマーク検出の性能を向上させることができた。

関連論文リスト

• Uncertainty Estimation and Out-of-Distribution Detection for LiDAR Scene Semantic Segmentation [0.6144680854063939]
  新しい環境で安全なナビゲーションを行うには、自動運転車やロボットが環境を正確に解釈する必要がある。 そこで本研究では,分布内(ID)と分布外(OOD)を区別する手法を提案する。 一つの決定論的モデルの特徴空間を用いて、疫学とアレター的不確実性の両方を定量化する。
  論文  参考訳（メタデータ） (2024-10-11T10:19:24Z)
• Learning Gaussian Representation for Eye Fixation Prediction [54.88001757991433]
  既存のアイ固定予測方法は、入力画像から原固定点から生成された対応する濃密な固定マップへのマッピングを行う。 本稿ではアイフィグレーションモデリングのためのガウス表現について紹介する。 我々は,リアルタイムな固定予測を実現するために,軽量なバックボーン上にフレームワークを設計する。
  論文  参考訳（メタデータ） (2024-03-21T20:28:22Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• 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)
• Stochastic Saddle Point Problems with Decision-Dependent Distributions [0.6091702876917279]
  本稿では,静的設定と時間変化設定の両方において決定に依存するサドル点問題に焦点をあてる。 定常ミニマックス問題に対するサドル点である平衡点の概念を導入する。 原始双対アルゴリズムは、同様の方法でサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2022-01-07T03:36:41Z)
• Cycle Consistent Probability Divergences Across Different Spaces [38.43511529063335]
  確率分布の相違は、統計的推測と機械学習の核心にある。 本研究は, 異方性, 異方性, 異方性, 異なる空間上の分布をマッチングするための, アンバランスなモンジュ最適輸送定式化を提案する。
  論文  参考訳（メタデータ） (2021-11-22T16:35:58Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Modeling Annotation Uncertainty with Gaussian Heatmaps in Landmark Localization [2.0646127669654835]
  ランドマークのローカライゼーションでは、その正確な位置を定義するあいまいさのため、ランドマークのアノテーションは大きなオブザーバーの変動に悩まされる可能性がある。 最適化中に対象熱マップの形状をモデル化した異方性ガウスパラメータを学習する。 提案手法は, 推定熱マップに異方性ガウス関数を組み込むことにより, 個々の試料の予測不確かさをモデル化する。
  論文  参考訳（メタデータ） (2021-09-20T13:31:58Z)
• Exploring the Intrinsic Probability Distribution for Hyperspectral Anomaly Detection [9.653976364051564]
  超スペクトル異常検出のための原データにおける背景と異常の両方の固有分布を探索する新しい確率分布表現検出器(pdrd)を提案する。 提案手法の性能を評価するために, 4つの実データ集合の実験を行った。
  論文  参考訳（メタデータ） (2021-05-14T11:42:09Z)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。