Fugu-MT 論文翻訳(概要): ELECTRIC: Evidential Learning-Enhanced CT Reconstruction via Iterative Correction

論文の概要: ELECTRIC: Evidential Learning-Enhanced CT Reconstruction via Iterative Correction

arxiv url: http://arxiv.org/abs/2608.00060v1
Date: Mon, 27 Jul 2026 16:47:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 21:56:46.350681
Title: ELECTRIC: Evidential Learning-Enhanced CT Reconstruction via Iterative Correction
Title（参考訳）: ELECTRIC:イテレーティブ補正によるエビデンシャルラーニング強化CT再構成
Abstract要約: ELECTRIC (Evidential Learning-Enhanced CT Reconstruction via Iterative Correction) は物理誘導型ベイズ式である。留置した患者では、学習前の平均値により、フィルタされた後方投射と比較して、約70%の再現誤差が減少する。物理誘導された更新は測定一貫性を回復し、適応精度の復元は予め調整されたバリデーションを超える。
参考スコア（独自算出の注目度）: 7.5571037918649155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Here we introduce ELECTRIC (Evidential Learning-Enhanced CT Reconstruction via Iterative Correction), a physics-guided Bayesian formulation. An evidential neural network provides an image proposal and an error-predictive epistemic-uncertainty surrogate. The latter is converted into an adaptive precision field and inserted into a Poisson-weighted MAP update. The resulting image-evidence-precision-reconstruction loop treats prior confidence as a learned state variable of iterative reconstruction. In addition to the formulation and theoretical analysis, we report two simulation studies on image slices from the AAPM Mayo Clinic Low-Dose CT dataset: a mechanism-validation pilot using transparent surrogate estimators, and a feasibility study in which a trained Normal-Inverse-Gamma evidential network drives the full closed loop. On held-out patients, the learned prior mean reduces reconstruction error by roughly 70 percent relative to filtered back-projection, the learned epistemic uncertainty is error-predictive and supports selective trust, and the physics-guided update restores measurement consistency while the adaptive-precision reconstruction matches or exceeds a validation-tuned fixed prior and remains markedly more robust to prior-strength misspecification. Together these results demonstrate the complete ELECTRIC closed-loop pipeline, while identifying formal uncertainty calibration and joint training as the principal directions for future work.
Abstract（参考訳）: 本稿では,物理誘導型ベイズ式であるELECTRIC (Evidential Learning-Enhanced CT Reconstruction via Iterative Correction)を紹介する。明確なニューラルネットワークは、画像の提案とエラー予測型てんかん不確実性代理を提供する。後者は適応精度フィールドに変換され、ポアソン重み付きMAP更新に挿入される。得られた画像証拠・精度・再構成ループは、反復的再構成の学習状態変数として、事前信頼を扱います。定式化と理論的解析に加えて,AAPM Mayo クリニカル低線量CTデータセットの画像スライスに関する2つのシミュレーション研究を報告する。保持された患者では、学習前の平均は、フィルターされた後方投射と比較して約70%の再現誤差を減少させ、学習されたてんかんの不確実性はエラー予測可能であり、選択的信頼をサポートし、物理誘導された更新は、適応精度の復元が前者と一致しているか、または、検証調整された固定された前者よりも明らかに堅牢であり、前者の誤特定よりも顕著に頑健である。これらの結果は, 完全なELECTRICクローズドループパイプラインを実証するとともに, 正式な不確実性校正とジョイントトレーニングを今後の作業の主目的としている。

関連論文リスト

Biological Amnesia in ICU Time-Series Prediction: A Drift-Adaptive Two-Stream Architecture with Temporal Retrieval [0.0]
ICU介入予測のための適応型臨床知能アーキテクチャを提案する。この構造は、生理学を治療表現から切り離し、治療ストリームへのパラメータ更新を精査する。このアーキテクチャは、高度臨床環境で適応モデルの制御可能かつ解釈可能なデプロイのためのテンプレートを提供する。
論文参考訳（メタデータ） (2026-07-21T12:07:36Z)
EEG-FuseFormer: A Transformer-Driven Feature Fusion Framework for Seizure Onset Prediction [1.6078171808054218]
発作発生の正確な予測はてんかん患者のリスクを軽減するのに役立つ。本稿では,アセプション・オンセット予測のためのトランスフォーマーベースの機能融合フレームワークであるEEG-FuseFormerを提案する。提案モデルでは,98.85%の平均リコールを実現し,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2026-06-01T12:27:01Z)
Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文参考訳（メタデータ） (2026-05-19T04:40:50Z)
Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
論文参考訳（メタデータ） (2026-05-10T12:50:25Z)
Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury [24.453881669473137]
既存のディープラーニングモデルは、不規則にサンプリングされたデータを扱う。本稿では,連続時間モデリングをCausal-Transformerと統合したCT-Formerを提案する。我々はCT-Formerが最先端のベースラインを大きく上回ることを示す。
論文参考訳（メタデータ） (2026-04-22T07:08:25Z)
Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
論文参考訳（メタデータ） (2026-02-12T14:03:41Z)
Exploring Out-of-distribution Detection for Sparse-view Computed Tomography with Diffusion Models [1.6704428692159]
本研究は,CT再構成における目標分布を非分布として捉えるために訓練された拡散モデルの使用について検討する。このモデルを用いて, 部分拡散画像の再構成を行い, 複数の再構成誤差によるOOD評価を行う。以上の結果から,OOD検出の有効性は,前向きの再建法と比較することで達成できることが示唆された。
論文参考訳（メタデータ） (2024-11-09T23:17:42Z)
Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。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。主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
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。