論文の概要: UNSURF: Uncertainty Quantification for Cortical Surface Reconstruction of Clinical Brain MRIs

• arxiv url: http://arxiv.org/abs/2506.00498v1
• Date: Sat, 31 May 2025 10:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.106965
• Title: UNSURF: Uncertainty Quantification for Cortical Surface Reconstruction of Clinical Brain MRIs
• Title（参考訳）: UNSURF : 臨床脳MRIの皮質表面再構成における不確かさの定量化
• Authors: Raghav Mehta, Karthik Gopinath, Ben Glocker, Juan Eugenio Iglesias,
• Abstract要約: 臨床脳MRI画像の皮質表面再構成のための新しい不確実性尺度であるUNSURFを提案する。 実際の臨床検査では, ボクセルのモンテカルロ分散などの従来の不確実性測定は, 表面配置の不確かさのモデル化には適していないことが示された。
• 参考スコア（独自算出の注目度）: 16.473589157826094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose UNSURF, a novel uncertainty measure for cortical surface reconstruction of clinical brain MRI scans of any orientation, resolution, and contrast. It relies on the discrepancy between predicted voxel-wise signed distance functions (SDFs) and the actual SDFs of the fitted surfaces. Our experiments on real clinical scans show that traditional uncertainty measures, such as voxel-wise Monte Carlo variance, are not suitable for modeling the uncertainty of surface placement. Our results demonstrate that UNSURF estimates correlate well with the ground truth errors and: \textit{(i)}~enable effective automated quality control of surface reconstructions at the subject-, parcel-, mesh node-level; and \textit{(ii)}~improve performance on a downstream Alzheimer's disease classification task.
• Abstract（参考訳）: 臨床脳MRI画像の方向性,解像度,コントラストに関する新しい不確実性尺度であるUNSURFを提案する。 これは、予測されたボクセルの符号付き距離関数(SDF)と、装着された表面の実際のSDFとの相違に依存する。 実際の臨床検査では, ボクセルのモンテカルロ分散などの従来の不確実性測定は, 表面配置の不確かさのモデル化には適していないことが示された。 以上の結果から,UNSURF推定値が真理誤差とよく相関していることが分かる。 (i)}~被写体,パーセル,メッシュノードレベルにおける表面再構成の有効自動品質制御,および \textit{ (ii) 下流アルツハイマー病分類課題における改善効果について検討した。

関連論文リスト

• Hierarchical Uncertainty Estimation for Learning-based Registration in Neuroimaging [10.964653898591413]
  深層学習に基づく画像登録は多くの領域で 目覚ましい精度を達成しました これらの手法に関連する不確実性推定は、ジェネリック手法の適用に大きく制限されている。 本稿では,空間的位置のレベル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。
  論文  参考訳（メタデータ） (2024-10-11T23:12:16Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  計算流体力学(CFD)を用いて大動脈瘤の発症リスクを予測する。 有限体積(FV)の離散化によって得られるメッシュの自然なグラフ構造を利用する。 本手法は,次元の呪いを克服する有効な方法であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis [9.295643448425182]
  磁気共鳴画像(MRI)における白質病変(WML)セグメンテーションの不確実性評価に焦点をあてる。 一方、ボクセルスケールのセグメンテーションエラーは、病変の誤行を引き起こすが、他方では、病変サイズの検出エラーは、間違った病変数を引き起こす。 本研究の目的は, セグメンテーションと病変検出に関する誤差をそれぞれ捉えるために, 異なるボクセルと病変スケールの不確実性対策の能力を比較することである。
  論文  参考訳（メタデータ） (2022-11-09T11:53:29Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• 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)

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。