論文の概要: Joint Segmentation and Image Reconstruction with Error Prediction in Photoacoustic Imaging using Deep Learning

• arxiv url: http://arxiv.org/abs/2407.02653v1
• Date: Tue, 2 Jul 2024 20:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 18:14:18.382188
• Title: Joint Segmentation and Image Reconstruction with Error Prediction in Photoacoustic Imaging using Deep Learning
• Title（参考訳）: 深層学習を用いた光音響イメージングにおける画像分割と誤差予測による画像再構成
• Authors: Ruibo Shang, Geoffrey P. Luke, Matthew O'Donnell,
• Abstract要約: 本稿では,ハイブリッドベイズ畳み込みニューラルネットワーク(Hybrid-BCNN)を提案する。 その結果,精度の高いPAセグメンテーションと画像が得られ,誤差予測は実際の誤差と統計的に非常に相関していることがわかった。
• 参考スコア（独自算出の注目度）: 1.119697400073873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been used to improve photoacoustic (PA) image reconstruction. One major challenge is that errors cannot be quantified to validate predictions when ground truth is unknown. Validation is key to quantitative applications, especially using limited-bandwidth ultrasonic linear detector arrays. Here, we propose a hybrid Bayesian convolutional neural network (Hybrid-BCNN) to jointly predict PA image and segmentation with error (uncertainty) predictions. Each output pixel represents a probability distribution where error can be quantified. The Hybrid-BCNN was trained with simulated PA data and applied to both simulations and experiments. Due to the sparsity of PA images, segmentation focuses Hybrid-BCNN on minimizing the loss function in regions with PA signals for better predictions. The results show that accurate PA segmentations and images are obtained, and error predictions are highly statistically correlated to actual errors. To leverage error predictions, confidence processing created PA images above a specific confidence level.
• Abstract（参考訳）: 深層学習は光音響(PA)画像再構成の改善に用いられている。 1つの大きな課題は、基底真理が不明なときに予測を検証するためにエラーを定量化できないことである。 バリデーションは、特に限られた帯域幅の超音波リニア検出器アレイを用いて、定量化の鍵となる。 本稿では,ハイブリッドベイズ畳み込みニューラルネットワーク(Hybrid-BCNN)を提案する。 各出力画素は、誤差を定量化できる確率分布を表す。 Hybrid-BCNNはシミュレーションPAデータをトレーニングし、シミュレーションと実験の両方に適用した。 PA画像の広さのため、セグメンテーションは、PA信号を持つ領域における損失関数の最小化に重点を置いて、より良い予測を行う。 その結果, 精度の高いPAセグメンテーションと画像が得られ, 誤差予測は実際の誤差と統計的に非常に相関していることがわかった。 エラー予測を活用するために、信頼処理は特定の信頼度以上のPA画像を生成する。

関連論文リスト

• Certified Adversarial Robustness via Partition-based Randomized Smoothing [9.054540533394926]
  我々は、ニューラルネットワークの信頼度を高めるために、Pixel Partitioningベースのランダム化平滑化(PPRS)手法を提案する。 提案するPPRSアルゴリズムは,加法ガウス雑音下での画像の可視性を向上させる。
  論文  参考訳（メタデータ） (2024-09-20T14:41:47Z)
• Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
  医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。 PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。 複数のデータセットに対する実験結果は、PAALの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-01T11:12:08Z)
• Uncertainty Quantification via Neural Posterior Principal Components [26.26693707762823]
  不確実性定量化は、画像復元モデルの安全クリティカルドメインへの展開に不可欠である。 本稿では,入力画像の後方分布のPCをニューラルネットワークの単一前方通過で予測する手法を提案する。 提案手法は, インスタンス適応型不確実性方向を確実に伝達し, 後部サンプリングに匹敵する不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2023-09-27T09:51:29Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
  半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。 モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ 本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
  論文  参考訳（メタデータ） (2023-08-05T12:42:15Z)
• Improved post-hoc probability calibration for out-of-domain MRI segmentation [18.089067656236125]
  よく校正された確率は、放射線学者がモデル予測セグメンテーションが信頼できない地域を特定することを可能にする。 これらの信頼できない予測は、しばしば、画像アーティファクトや見えない画像プロトコルによって引き起こされる領域外画像(OOD)に発生する。 OOD画像と向き合う場合の校正誤差を低減するために,新しい校正モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-04T20:13:19Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Deep-learning-driven Reliable Single-pixel Imaging with Uncertainty Approximation [0.0]
  シングルピクセルイメージング(SPI)は、広波長域とシステムコンパクト性に対して高速な取得の利点がある。 ディープラーニング(DL)は、多くのアプリケーションにおいて、計算画像の新興かつ強力なツールである。 本稿では,SPIにおけるDL予測の不確かさを近似するためにベイズ畳み込みニューラルネットワーク(BCNN)を提案する。
  論文  参考訳（メタデータ） (2021-07-24T20:01:38Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。