Fully Bayesian VIB-DeepSSM

要約

統計的形状モデリング (SSM) により、母集団に基づいた解剖学的形状の定量分析が可能になり、臨床診断に役立ちます。
深層学習アプローチは、セグメント化されていない 3D 画像から対応ベースの SSM を直接予測しますが、校正された不確実性の定量化が必要であり、ベイジアン定式化の動機付けとなります。
変分情報ボトルネック DeepSSM (VIB-DeepSSM) は、偶然の不確実性を定量化して画像から解剖学的構造の確率的形状を予測するための効果的で原則に基づいたフレームワークです。
ただし、VIB は半分ベイジアンにすぎず、認識論的不確実性推論が欠けています。
完全なベイジアン VIB 定式化を導き出し、具体的なドロップアウトとバッチ アンサンブルという 2 つのスケーラブルな実装アプローチの有効性を実証します。
さらに、マルチモーダル限界化を通じて不確かさの校正をさらに強化する 2 つの新しい組み合わせを導入します。
合成形状と左心房データの実験では、完全ベイジアン VIB ネットワークが、精度を犠牲にすることなく改善された不確実性推論により画像から SSM を予測することが実証されています。

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 and demonstrate the efficacy of two scalable implementation approaches: 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, Google