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
- 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) - An Adaptive Correspondence Scoring Framework for Unsupervised Image
Registration of Medical Images [9.848431202430431]
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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z) - 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) - Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks [5.220940151628734]
予測の不確かさは、データ(アーキテクチャ)と不正確なモデル推論(エピステミック)におけるノイズやランダム性に起因する可能性がある
本研究では,自己教師型タスクから推定される不確実性を,データ固有のノイズとして解釈する手法を提案する。
本研究は,画像分割作業におけるアレーラティック不確実性を著しく低減する手法の有効性を示すものである。
論文 参考訳(メタデータ) (2021-10-21T09:31:00Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳(メタデータ) (2021-10-07T11:29:03Z) - Self-Paced Uncertainty Estimation for One-shot Person Re-Identification [9.17071384578203]
本稿では,単発人物の自己ペース不確実性推定ネットワーク(spue-net)を提案する。
自己ペースサンプリング戦略を導入することで,ラベルなしサンプルの擬似ラベルを反復的に推定し,ラベル付きサンプルを拡張できる。
さらに,局所不確実性推定と決定性推定を併用した協調学習手法を適用し,より優れた隠れ空間特徴抽出を実現する。
論文 参考訳(メタデータ) (2021-04-19T09:20:30Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。