Fugu-MT 論文翻訳(概要): Hierarchical uncertainty estimation for learning-based registration in neuroimaging

論文の概要: Hierarchical uncertainty estimation for learning-based registration in neuroimaging

arxiv url: http://arxiv.org/abs/2410.09299v1
Date: Fri, 11 Oct 2024 23:12:16 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 15:13:33.296021
Title: Hierarchical uncertainty estimation for learning-based registration in neuroimaging
Title（参考訳）: ニューロイメージングにおける学習ベース登録のための階層的不確実性推定
Authors: Xiaoling Hu, Karthik Gopinath, Peirong Liu, Malte Hoffmann, Koen Van Leemput, Oula Puonti, Juan Eugenio Iglesias,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.964653898591413
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Over recent years, deep learning based image registration has achieved impressive accuracy in many domains, including medical imaging and, specifically, human neuroimaging with magnetic resonance imaging (MRI). However, the uncertainty estimation associated with these methods has been largely limited to the application of generic techniques (e.g., Monte Carlo dropout) that do not exploit the peculiarities of the problem domain, particularly spatial modeling. Here, we propose a principled way to propagate uncertainties (epistemic or aleatoric) estimated at the level of spatial location by these methods, to the level of global transformation models, and further to downstream tasks. Specifically, we justify the choice of a Gaussian distribution for the local uncertainty modeling, and then propose a framework where uncertainties spread across hierarchical levels, depending on the choice of transformation model. Experiments on publicly available data sets show that Monte Carlo dropout correlates very poorly with the reference registration error, whereas our uncertainty estimates correlate much better. % with the reference registration error. Crucially, the results also show that uncertainty-aware fitting of transformations improves the registration accuracy of brain MRI scans. Finally, we illustrate how sampling from the posterior distribution of the transformations can be used to propagate uncertainties to downstream neuroimaging tasks. Code is available at: https://github.com/HuXiaoling/Regre4Regis.
Abstract（参考訳）: 近年、深層学習に基づく画像登録は、医用画像、特に磁気共鳴画像(MRI)を用いたヒト神経イメージングを含む多くの領域で顕著な精度を達成している。しかし、これらの手法に関連する不確実性推定は、問題領域、特に空間モデリングの特異性を生かさない一般的な手法(例えばモンテカルロのドロップアウト)の適用に大きく制限されている。本稿では,これらの手法により推定される不確実性を空間的位置のレベル,グローバルトランスフォーメーションモデルのレベル,さらに下流のタスクに伝播する原理的手法を提案する。具体的には、局所不確実性モデリングのためのガウス分布の選択を正当化し、変換モデルの選択に応じて不確実性が階層的なレベルに分散する枠組みを提案する。公開されているデータセットの実験では、モンテカルロのドロップアウトは基準登録誤差と非常に相関が低いが、我々の不確実性推定はよりよく相関している。 %であった。重要なことは、変換の不確実性を認識することで、脳MRIスキャンの登録精度が向上することを示している。最後に、トランスフォーメーションの後部分布からのサンプリングを用いて、不確実性を下流のニューロイメージングタスクに伝播させる方法について説明する。コードは、https://github.com/HuXiaoling/Regre4Regis.comで入手できる。

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)
Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
本稿では,異種画像の不確実性推定のためのフレームワークを提案する。教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
論文参考訳（メタデータ） (2023-12-01T01:03:06Z)
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)
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)
Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models [7.6146285961466]
医療領域における画像翻訳作業における画像の不確実性について検討した。我々はCycleGANを用いて、T1強調脳MRIスキャンをT2強調脳MRIスキャンに変換する。
論文参考訳（メタデータ） (2022-11-11T14:45:16Z)
Uncertainty quantification in non-rigid image registration via stochastic gradient Markov chain Monte Carlo [14.296549721024736]
我々は,不確実性定量化に着目した3次元医用画像の非剛性登録のための新しいベイズモデルを開発した。バックプロパゲーションによるマルコフ連鎖モンテカルロの接続とバックプロパゲーションフレームワークによる変分推論について検討する。深層学習に基づく最先端画像登録モデルであるVoxelMorphと比較した。
論文参考訳（メタデータ） (2021-10-25T22:05:20Z)
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)
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)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。