Aug, 2023

加速 MRI 重建中的不确定性估计与传播

PDF
TL;DR基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。
mrireconstruction techniquesdeep learninguncertainty quantificationprobabilistic reconstruction
发现论文，激发创造
  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020

  • 基于不确定性感知的零空间网络用于数据一致图像重建

    本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

    Apr, 2023

  • 医学成像管道中的不确定性传播和归因

    通过级联深度学习模型在医学影像流水线中传播不确定性，我们提出了一种建立可解释的神经网络的不确定性估计方法，并展示了其在重建脑和膝盖磁共振图像以及预测定量信息方面的效用。

    Sep, 2023

  • 关于无需训练数据的图像重建不确定性的量化

    计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

    Nov, 2023

  • PixCUE: MRI 中使用深度像素分类联合估计不确定性和图像重构

    提出一种名为 PixCUE 的方法，使用像素分类框架在单个向前传递中生成重建图像及不确定性地图以可靠地估计 MRI 重建过程中的不确定性，并与传统的 Monte Carlo 推断方法的结果相一致，同时产生与重建误差高度相关的不确定性地图。

    Feb, 2023

  • PHiSeg：医学图像分割中的不确定性捕捉

    本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

    Jun, 2019

  • 利用不确定性评估预测分割质量

    本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

    Jul, 2018

  • 利用深度后验采样估计 PET 图像重建的不确定性

    本文提出了一种基于深度学习的方法，通过后验抽样在 PET 图像重建中进行不确定性量化。该方法基于条件生成对抗网络，其生成器近似于采样自贝叶斯反演中的后验。该文表明，所提出的模型生成高质量的后验样本，并产生具有物理意义的不确定性估计。

    Jun, 2023

  • 主动采集减少 MRI 重建中的欠采样不确定性

    本文提出了一种针对 MRI 重建的新方法，该方法动态选择要采取的测量，并迭代地改进预测，以最大程度地减少重建误差和不确定性，并且使用 ResNet-based architecture 超越了标准的像素到像素模型。

    Feb, 2019

  • 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