論文の概要: Heteroscedastic Uncertainty Estimation for Probabilistic Unsupervised
Registration of Noisy Medical Images
- arxiv url: http://arxiv.org/abs/2312.00836v1
- Date: Fri, 1 Dec 2023 01:03:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 20:38:49.988234
- Title: Heteroscedastic Uncertainty Estimation for Probabilistic Unsupervised
Registration of Noisy Medical Images
- Title（参考訳）: 雑音画像の確率的教師なし登録のためのヘテロシデスティック不確かさ推定
- Authors: Xiaoran Zhang, Daniel H. Pak, Shawn S. Ahn, Xiaoxiao Li, Chenyu You,
Lawrence Staib, Albert J. Sinusas, Alex Wong, James S. Duncan
- Abstract要約: 非監督的医用画像登録のための不確定不確実性推定フレームワークを提案する。
私たちのフレームワークは、量的にも質的にも、他のベースラインよりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 31.989460667459195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a heteroscedastic uncertainty estimation framework for
unsupervised medical image registration. Existing methods rely on objectives
(e.g. mean-squared error) that assume a uniform noise level across the image,
disregarding the heteroscedastic and input-dependent characteristics of noise
distribution in real-world medical images. This further introduces noisy
gradients due to undesired penalization on outliers, causing unnatural
deformation and performance degradation. To mitigate this, we propose an
adaptive weighting scheme with a relative $\gamma$-exponentiated
signal-to-noise ratio (SNR) for the displacement estimator after modeling the
heteroscedastic noise using a separate variance estimator to prevent the model
from being driven away by spurious gradients from error residuals, leading to
more accurate displacement estimation. To illustrate the versatility and
effectiveness of the proposed method, we tested our framework on two
representative registration architectures across three medical image datasets.
Our proposed framework consistently outperforms other baselines both
quantitatively and qualitatively while also providing accurate and sensible
uncertainty measures. Paired t-tests show that our improvements in registration
accuracy are statistically significant. The code will be publicly available at
\url{https://voldemort108x.github.io/hetero_uncertainty/}.
- Abstract（参考訳）: 本稿では, 医用医用画像登録のための不確実性評価フレームワークを提案する。
既存の手法は、現実の医療画像におけるノイズ分布の不連続性や入力依存性の特性を無視して、画像全体にわたって均一なノイズレベルを仮定する目的(例えば平均二乗誤差)に依存している。
これにより、不自然な変形と性能劣化を引き起こす不必要な外乱のペナル化によるノイズ勾配がもたらされる。
そこで本研究では, 偏差推定器を用いて異方性雑音をモデル化した後の変位推定器に対する相対的な$\gamma$-exponentiated signal-to-noise ratio (SNR) を用いた適応重み付け手法を提案する。
提案手法の汎用性と有効性を説明するため,医療用画像データセットにまたがる2つの代表的な登録アーキテクチャについて実験を行った。
提案手法は, 定量的, 定性的に, 正確かつ合理的な不確実性対策を提供しながら, 他のベースラインを一貫して上回っている。
Paired t-testsは,登録精度の向上が統計的に有意であることを示す。
コードは \url{https://voldemort108x.github.io/hetero_uncertainty/} で公開される。
関連論文リスト
- Hierarchical uncertainty estimation for learning-based registration in neuroimaging [10.964653898591413]
本研究では,空間的位置の程度で推定される不確実性を伝播する原理的手法を提案する。
実験により,脳MRI画像の登録精度が向上することが確認された。
論文 参考訳（メタデータ） (2024-10-11T23:12:16Z) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳（メタデータ） (2024-06-10T21:44:52Z) - From Registration Uncertainty to Segmentation Uncertainty [11.294691606431526]
本稿では, 画像登録において, エピステミックとアレタリックのセグメンテーションの不確実性の両方を同時に推定する新しい枠組みを提案する。
既存の登録不確実性を推定する手法とともにセグメンテーションの不確実性を導入することにより、画像登録の異なる段階における潜在的な不確実性について重要な洞察を提供する。
論文 参考訳（メタデータ） (2024-03-08T07:16:14Z) - Adaptive Correspondence Scoring for Unsupervised Medical Image Registration [9.294341405888158]
既存の手法では、画像再構成を主要な監視信号として用いている。
そこで本研究では,学習中の誤り残差を対応スコアマップで再重み付けする適応フレームワークを提案する。
我々のフレームワークは、量的にも質的にも、他の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2023-12-01T01:11:22Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳（メタデータ） (2023-09-23T06:35:44Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable
Neural Distribution Alignment [52.02794488304448]
そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。
入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
論文 参考訳（メタデータ） (2020-03-26T22:10:04Z)
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。