論文の概要: Test-time Uncertainty Estimation for Medical Image Registration via Transformation Equivariance

• arxiv url: http://arxiv.org/abs/2509.23355v1
• Date: Sat, 27 Sep 2025 15:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.178887
• Title: Test-time Uncertainty Estimation for Medical Image Registration via Transformation Equivariance
• Title（参考訳）: 変換等価性を用いた医用画像登録のためのテスト時間不確かさ推定
• Authors: Lin Tian, Xiaoling Hu, Juan Eugenio Iglesias,
• Abstract要約: 現在のディープ登録ネットワークは、予測が信頼できるかどうかの限られた表示を提供する。 本稿では、事前訓練されたネットワークと互換性のあるテスト時間不確実性推定フレームワークを提案する。 我々のフレームワークは、事前訓練された登録ネットワークをテスト時にリスク認識ツールに変換し、医療画像登録を安全な配置に一歩近付けます。
• 参考スコア（独自算出の注目度）: 11.57571124470059
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate image registration is essential for downstream applications, yet current deep registration networks provide limited indications of whether and when their predictions are reliable. Existing uncertainty estimation strategies, such as Bayesian methods, ensembles, or MC dropout, require architectural changes or retraining, limiting their applicability to pretrained registration networks. Instead, we propose a test-time uncertainty estimation framework that is compatible with any pretrained networks. Our framework is grounded in the transformation equivariance property of registration, which states that the true mapping between two images should remain consistent under spatial perturbations of the input. By analyzing the variance of network predictions under such perturbations, we derive a theoretical decomposition of perturbation-based uncertainty in registration. This decomposition separates into two terms: (i) an intrinsic spread, reflecting epistemic noise, and (ii) a bias jitter, capturing how systematic error drifts under perturbations. Across four anatomical structures (brain, cardiac, abdominal, and lung) and multiple registration models (uniGradICON, SynthMorph), the uncertainty maps correlate consistently with registration errors and highlight regions requiring caution. Our framework turns any pretrained registration network into a risk-aware tool at test time, placing medical image registration one step closer to safe deployment in clinical and large-scale research settings.
• Abstract（参考訳）: 下流アプリケーションには正確な画像登録が不可欠だが、現在のディープ登録ネットワークは、その予測が信頼できるかどうかの限られた表示を提供する。 ベイズ法、アンサンブル、MCドロップアウトなどの既存の不確実性評価戦略は、アーキテクチャの変更や再訓練を必要とし、事前訓練された登録ネットワークに適用性を制限する。 代わりに、事前訓練されたネットワークと互換性のあるテスト時間不確実性推定フレームワークを提案する。 我々の枠組みは、入力の空間的摂動の下では、2つの画像間の真のマッピングは一貫していなければならない、という登録の変換同値性に基礎を置いている。 このような摂動下でのネットワーク予測のばらつきを解析することにより、登録における摂動に基づく不確実性の理論的分解を導出する。 この分解は2つの用語に分けられる。 (i)内因性拡がり、てんかんの音を反映し、 (II)摂動下での系統的なエラーの漂流を捉えるバイアスジッタ。 4つの解剖学的構造(脳、心臓、腹部、肺)と複数の登録モデル(UniGradICON、SynthMorph)で、不確実性マップは一貫して登録エラーと相関し、注意を要する領域をハイライトする。 我々のフレームワークは、事前訓練された登録ネットワークをテスト時にリスク認識ツールに変換し、臨床および大規模研究環境における安全な配置に一歩近づいた。

関連論文リスト

• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• 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)
• Semi-weakly-supervised neural network training for medical image registration [18.520388065729552]
  本稿では,モデル性能を向上させる半弱制御型登録パイプラインについて述べる。 本稿では,ネットワーク重みの摂動と画像再サンプリングによる2種類の拡張手法について検討する。 589人の男性骨盤MRI画像に8つの解剖学的ROIをラベル付けした実験は、登録性能の向上を示す。
  論文  参考訳（メタデータ） (2024-02-16T14:44:40Z)
• 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)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
  本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。 我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。 複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• 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)

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。