Aug, 2021

使用归一化流提高多注释医学图像分割中的不确定性度量

PDF
TL;DR使用正则化流 (NFs) 的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。
发现论文，激发创造
  • 全三维医学数据中基于概率的三维分割及其不确定性量化

    该研究通过引入 Normalizing Flows 技术，提出了一种基于 3D volumes 的概率分割框架，并在 CT 数据上进行了评估，结果表明该方法可以更准确地捕捉到 3D 空间信息的不确定性，同时以直观的方式提供了不确定性信息，有助于医生做出更明智的决策。

    May, 2023

  • 基于归一化流的医学图像分割不确定性量化

    提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。

    Jun, 2020

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 基于满射正则化流的不确定性量化和外样本检测

    通过使用满射规范化流方法，在深度神经网络模型中计算单次前向传播，可可靠地识别来自分布之外的数据集。该方法基于深度不确定性量化和正则化流中的最新进展，应用于合成数据集并与其他模型进行比较，表明满射流模型是可靠区分分布内外数据的关键组成部分。

    Nov, 2023

  • 利用归一化流先验的 Langevin Monte Carlo 用于成像逆问题

    本文介绍了将数据模型应用于贝叶斯推断的兰日文采样算法的一种技术，该算法需要一个预先训练好的正则化流作为先验，并分别分析了贝叶斯解决方案的合理性和 NF-ULA 算法的非渐近收敛性。实验结果表明，该方法适用于图像去模糊、补缺失和 X 线断层扫描重建等各种成像问题。

    Apr, 2023

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019

  • 医学影像中确定性不确定性量化的潜密度分割模型的研究与改进

    通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

    Jul, 2023

  • 低维流形密度估计：一种膨胀 - 收缩方法

    本论文提出了基于神经网络的普适密度估计器 —— 标准化流，针对其仅适用于欧几里得空间的不足，提出了通过在正常空间中添加噪声来扩展数据流形、训练标准化流后再缩减学习得到的密度的新方法，该方法的复杂度与标准化流相同且无需计算反向流，当嵌入维度远大于流形维度时，正常空间中的噪声可以很好地近似为高斯噪声，从而可以用于逼近未知流形上任意的密度函数。

    May, 2021

  • 归一化流的变体和放宽

    通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。

    Sep, 2023

  • 高效的贝叶斯不确定性估计方法，用于 nnU-Net

    本文提出了一种新方法，通过后验采样的贝叶斯不确定性估计为 nnU-Net 的医学图像分割提供可靠性度量，同时通过较多的后验模型优化分割性能。在 ACDC 和 M&M 心脏 MRI 数据集上的实证表明，该方法比 Monte Carlo Dropout 和平均场贝叶斯神经网络在不确定性估计上表现得更好，同时不影响 NNu-Net 架构的性能。

    Dec, 2022