PulseAugur
中
实时 01:00:08
English(EN) Uncertainty Quantification for Cardiac Shape Reconstruction with Deep Signed Distance Functions via MCMC methods

新框架量化心脏形状重建中的不确定性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的概率框架，用于重建具有改进不确定性感知能力的心脏形状。该方法将深度符号距离函数（DeepSDFs）与马尔可夫链蒙特卡洛（MCMC）采样相结合，通过神经网络隐式地对心脏几何形状进行建模。该方法支持多表面重建，并提供最大后验估计和后验采样重建，在公开数据集上展示了准确的结果和良好校准的不确定性估计。 AI

影响 引入了一种新颖的医学影像分析概率方法，通过不确定性量化提高了心脏形状重建的可靠性。

排序理由 该集群包含一篇详细介绍特定应用新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架量化心脏形状重建中的不确定性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Alexander Effland ·

    基于MCMC方法的深度符号距离函数在心脏形状重建中的不确定性量化

    Atlas-based approaches allow high-quality, patient-specific shape reconstructions of cardiac anatomy from sparse and/or noisy data such as point clouds. However, these methods are mainly prior-driven, so the impact of uncertainty can be large, limiting their clinical reliability.…

相关实体

相关话题