基于 CNN 的贝叶斯图像质量迁移：探索 dMRI 超分辨率中的不确定性
计算机视觉与模式识别
2017-05-31 v2
摘要
在这项工作中，我们研究了在利用卷积神经网络（CNNs）进行三维超分辨率时不确定性建模的价值。深度学习已在大量医学图像变换问题中展现出成功，例如超分辨率（SR）和图像合成。然而，此类问题的高度病态本质导致网络学习中不可避免的模糊性。我们提出通过逐块异方差噪声模型来考虑内在不确定性，并通过变分 dropout 形式的近似贝叶斯推断来考虑参数不确定性。我们表明，两者的联合优势在扩散 MR 脑图像的超分辨率上相较于真值取得了最先进的性能误差。我们进一步表明，降低的误差分数在下游纤维束成像中产生了切实的好处。此外，这些方法的概率性质自然地赋予了量化超分辨率输出不确定性的机制。我们通过对健康与病理脑的实验，展示了这种不确定性度量在超分辨率图像后续临床应用风险评估中的潜在效用。
引用
@article{arxiv.1705.00664,
title = {Bayesian Image Quality Transfer with CNNs: Exploring Uncertainty in dMRI Super-Resolution},
author = {Ryutaro Tanno and Daniel E. Worrall and Aurobrata Ghosh and Enrico Kaden and Stamatios N. Sotiropoulos and Antonio Criminisi and Daniel C. Alexander},
journal= {arXiv preprint arXiv:1705.00664},
year = {2017}
}
备注
Accepted paper at MICCAI 2017