論文の概要: Principled Confidence Estimation for Deep Computed Tomography

• arxiv url: http://arxiv.org/abs/2602.05812v1
• Date: Thu, 05 Feb 2026 16:04:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.026552
• Title: Principled Confidence Estimation for Deep Computed Tomography
• Title（参考訳）: 深部CTにおける信頼度推定法
• Authors: Matteo Gätzner, Johannes Kirschner,
• Abstract要約: CT(Computerd tomography)再構成における信頼性評価の原理的枠組みを提案する。 我々は,深層学習によるCT再構成の理論的カバレッジを保証する信頼性領域を確立する。
• 参考スコア（独自算出の注目度）: 3.8642937395065124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a principled framework for confidence estimation in computed tomography (CT) reconstruction. Based on the sequential likelihood mixing framework (Kirschner et al., 2025), we establish confidence regions with theoretical coverage guarantees for deep-learning-based CT reconstructions. We consider a realistic forward model following the Beer-Lambert law, i.e., a log-linear forward model with Poisson noise, closely reflecting clinical and scientific imaging conditions. The framework is general and applies to both classical algorithms and deep learning reconstruction methods, including U-Nets, U-Net ensembles, and generative Diffusion models. Empirically, we demonstrate that deep reconstruction methods yield substantially tighter confidence regions than classical reconstructions, without sacrificing theoretical coverage guarantees. Our approach allows the detection of hallucinations in reconstructed images and provides interpretable visualizations of confidence regions. This establishes deep models not only as powerful estimators, but also as reliable tools for uncertainty-aware medical imaging.
• Abstract（参考訳）: CT(Computerd tomography)再構成における信頼性評価の原理的枠組みを提案する。 逐次近似混合フレームワーク(Kirschner et al , 2025)に基づいて, 深層学習によるCT再構成の理論的カバレッジを保証する信頼性領域を確立する。 我々は、ベーア=ランベルト法に従う現実的なフォワードモデル、すなわちポアソンノイズを伴う対数線形フォワードモデルを考える。 このフレームワークは、U-Net、U-Netアンサンブル、生成拡散モデルを含む古典的アルゴリズムとディープラーニング再構築手法の両方に適用できる。 実験により, 提案手法は, 理論的カバレッジ保証を犠牲にすることなく, 古典的復元よりもかなり信頼性の高い領域が得られることを示した。 提案手法は,再構成画像における幻覚の検出を可能にし,信頼領域の解釈可能な可視化を提供する。 これは、強力な推定器としてだけでなく、不確実性を認識した医療画像の信頼性の高いツールとして、ディープモデルを確立する。

関連論文リスト

• Conformalized Generative Bayesian Imaging: An Uncertainty Quantification Framework for Computational Imaging [0.0]
  不確かさの定量化は、信頼性が高く信頼性の高い学習ベース・コンピューティング・イメージングの達成に重要な役割を果たしている。 生成モデリングとベイズニューラルネットワークの最近の進歩は、不確実性を考慮した画像再構成手法の開発を可能にしている。 本稿では,失語症とてんかんの不確実性の両方を定量化できるスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T12:30:46Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• Learned reconstruction with convergence guarantees [3.9402707512848787]
  データ駆動画像再構成における収束の概念について述べる。 ICNNの役割は、ディープラーニングのパワーと古典的凸正規化理論を組み合わせる可能性を提供するものである。
  論文  参考訳（メタデータ） (2022-06-11T06:08:25Z)
• A Probabilistic Deep Image Prior for Computational Tomography [0.19573380763700707]
  既存の深層学習によるトモグラフィ画像再構成手法では,復元の不確かさの正確な推定は得られない。 我々は,古典的全変動(TV)正規化器と現代の深部画像先行(DIP)を組み合わせたトモグラフィー再構成のためのベイズ事前構築を行う。 提案手法は,高次元設定にスケーラブルな線形化Laplace法に基づく手法である。
  論文  参考訳（メタデータ） (2022-02-28T14:47:14Z)
• 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)
• 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)
• 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)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Towards a Theoretical Understanding of the Robustness of Variational Autoencoders [82.68133908421792]
  敵攻撃や他の入力摂動に対する変分オートエンコーダ(VAE)の堅牢性を理解するために,我々は進出している。 確率モデルにおけるロバスト性のための新しい基準である$r$-robustnessを開発する。 遠心法を用いて訓練したVAEが、ロバストネスの指標でよく評価されていることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:22:29Z)

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。