論文の概要: High-dimensional multimodal uncertainty estimation by manifold alignment:Application to 3D right ventricular strain computations

• arxiv url: http://arxiv.org/abs/2501.12178v1
• Date: Tue, 21 Jan 2025 14:35:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:22:16.101596
• Title: High-dimensional multimodal uncertainty estimation by manifold alignment:Application to 3D right ventricular strain computations
• Title（参考訳）: 多様体アライメントによる高次元多モード不確実性推定:3次元右室ひずみ計算への応用
• Authors: Maxime Di Folco, Gabriel Bernardino, Patrick Clarysse, Nicolas Duchateau,
• Abstract要約: 本稿では,生理的記述子上での局所的不確実性を推定する表現学習戦略を提案する。 まず、各高次元入力記述子に付随する潜在表現に一致させるために、多様体アライメントを用いる。 次に, 潜伏不確かさの確率分布を定式化し, 最終的に入力された高次元記述子上の不確かさを再構成する。
• 参考スコア（独自算出の注目度）: 1.254652786049077
• License:
• Abstract: Confidence in the results is a key ingredient to improve the adoption of machine learning methods by clinicians. Uncertainties on the results have been considered in the literature, but mostly those originating from the learning and processing methods. Uncertainty on the data is hardly challenged, as a single sample is often considered representative enough of each subject included in the analysis. In this paper, we propose a representation learning strategy to estimate local uncertainties on a physiological descriptor (here, myocardial deformation) previously obtained from medical images by different definitions or computations. We first use manifold alignment to match the latent representations associated to different high-dimensional input descriptors. Then, we formulate plausible distributions of latent uncertainties, and finally exploit them to reconstruct uncertainties on the input high-dimensional descriptors. We demonstrate its relevance for the quantification of myocardial deformation (strain) from 3D echocardiographic image sequences of the right ventricle, for which a lack of consensus exists in its definition and which directional component to use. We used a database of 100 control subjects with right ventricle overload, for which different types of strain are available at each point of the right ventricle endocardial surface mesh. Our approach quantifies local uncertainties on myocardial deformation from different descriptors defining this physiological concept. Such uncertainties cannot be directly estimated by local statistics on such descriptors, potentially of heterogeneous types. Beyond this controlled illustrative application, our methodology has the potential to be generalized to many other population analyses considering heterogeneous high-dimensional descriptors.
• Abstract（参考訳）: 結果の信頼性は、臨床医による機械学習手法の採用を改善するための重要な要素である。 結果の不確実性は文献で検討されているが、主に学習・処理法に由来するものである。 データに対する不確実性はほとんど問題にならず、単一のサンプルは分析に含まれる各主題を十分に表していると見なされることが多い。 本稿では, 医用画像から得られた生理的記述子(以下, 心筋変形)の局所的不確かさを, 定義や計算によって推定する表現学習戦略を提案する。 まず、各高次元入力記述子に付随する潜在表現に一致させるために、多様体アライメントを用いる。 次に, 潜伏不確かさの確率分布を定式化し, 最終的に入力された高次元記述子上の不確かさを再構成する。 右心室の3次元心エコー画像から心筋の変形(ひずみ)の定量化との関連について検討した。 右心室内膜メッシュの各部位に異なる種類のひずみが認められる右心室オーバーロードを有する100名のコントロール対象のデータベースを用いて検討した。 本手法は, この生理的概念を規定する異なる記述子からの心筋変形の局所的不確かさを定量化する。 このような不確実性は、そのような記述子に関する局所統計によって直接推定することはできない。 この制御された図式的応用の他に、異質な高次元記述子を考慮した他の多くの人口分析にも応用できる可能性がある。

関連論文リスト

• Robust Conformal Volume Estimation in 3D Medical Images [0.5799785223420274]
  ボリュームトリは3次元医用画像セグメンテーションの主要な下流応用の1つである。 セグメンテーションモデルにより生成された圧縮潜在表現に基づく密度比推定の効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:18:07Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
  本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。 この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
  論文  参考訳（メタデータ） (2022-06-15T16:56:58Z)
• From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach [0.0]
  3次元医用画像から直接の統計的形状モデリング(SSM)は、病理の検出、疾患の診断、人口レベルの形態解析を行うための未利用のツールである。 本稿では,これらの仮定を緩和するために,変分情報ボトルネック理論に基づく基本的枠組みを提案する。 実験により,提案手法により精度が向上し,校正精度が向上することを確認した。
  論文  参考訳（メタデータ） (2022-05-13T19:39:08Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• 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)
• 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)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。