Fully Bayesian VIB-DeepSSM

要約

タイトル：Fully Bayesian VIB-DeepSSM

要約：
– 解剖学的形状のポピュレーションに基づく定量的分析を実現するため、統計形状モデリング（SSM）は有用である。
– Deeplearningアプローチは、セグメンテーションされていない3Dイメージから対応ベースのSSMを直接予測するが、キャリブレーションされた不確かさ量子化が必要とされるため、Bayesian形式化が必要とされる。
– VIB-DeepSSMは、確率的解剖形状を画像から予測するための効果的で原則的なフレームワークであるが、VIBは半ベイズ的なだけであり、認識的不確かさ推論が欠けている。
– PAC-Bayesと変分推論の両方から完全ベイズVIB公式を導出し、確実な不確かさの推論を備えたベイジアンVIBの2つの拡張可能なアプローチの有効性を示す。
– Concrete DropoutとBatch Ensembleの2つの方法を組み合わせることにより、運用上の不確かさをさらに改善し、実験での精度を損なうことなく、画像からSSMを予測する。

要約(オリジナル)

Statistical shape modeling (SSM) enables population-based quantitative analysis of anatomical shapes, informing clinical diagnosis. Deep learning approaches predict correspondence-based SSM directly from unsegmented 3D images but require calibrated uncertainty quantification, motivating Bayesian formulations. Variational information bottleneck DeepSSM (VIB-DeepSSM) is an effective, principled framework for predicting probabilistic shapes of anatomy from images with aleatoric uncertainty quantification. However, VIB is only half-Bayesian and lacks epistemic uncertainty inference. We derive a fully Bayesian VIB formulation from both the probably approximately correct (PAC)-Bayes and variational inference perspectives. We demonstrate the efficacy of two scalable approaches for Bayesian VIB with epistemic uncertainty: concrete dropout and batch ensemble. Additionally, we introduce a novel combination of the two that further enhances uncertainty calibration via multimodal marginalization. Experiments on synthetic shapes and left atrium data demonstrate that the fully Bayesian VIB network predicts SSM from images with improved uncertainty reasoning without sacrificing accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI