Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
다중 모달 MRI 데이터의 누락으로 발생하는 불확실성을 해결하기 위해 가우시안 분포 기반의 확률적 표현 프레임워크를 제안합니다. 집합 포함 전략을 통해 모달리티 서브셋 간의 일관된 불확실성 관계를 유지하며, BraTS 데이터셋 실험을 통해 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다중 모달 MRI (Multimodal MRI)는 정확한 뇌종양 분할 (brain tumor segmentation)을 위해 필수적입니다. 그러나 실제 상황에서는 추론 (inference) 시 모든 모달리티 (modalities)를 획득하는 것이 종종 어려우며, 이는 피할 수 없는 정보 손실로 인해 내재적인 불확실성 (uncertainty)을 유발합니다. 이러한 불확실성을 모델링하지 않으면, 기존 방법들은 불완전한 증거를 그럴듯해 보이지만 신뢰성이 부족한 결정론적 표현 (deterministic representations)으로 인코딩하게 됩니다. 이러한 상황에서, 우리는 표현을 가우시안 분포 (Gaussian distributions)로 모델링하는 확률적 표현 프레임워크 (probabilistic representation framework)를 제안합니다. 여기서 평균 (mean)은 작업 정보를 포착하고, 분산 (variance)은 누락된 증거로부터 발생하는 불확실성을 측정합니다. 분산이 정보 결핍을 반영하도록 하기 위해, 우리는 각 부분 구성 (partial configuration)의 평균을 전체 모달리티 대응물 (full-modality counterpart)을 향하도록 정규화(regularize)하는 한편, 정렬된 평균들 사이의 차이(discrepancy)를 사용하여 분산을 스케일링(scaling)합니다. 나아가 우리는 모달리티 서브셋 (modality subsets)의 계층적 구조를 활용하고, 일관된 불확실성 관계를 유지하기 위해 순서 제약 (ordering constraint)을 강제하는 집합 포함 전략 (set-inclusive strategy)을 도입합니다. BraTS 2018 및 2020에 대한 광범위한 실험을 통해, 우리의 접근 방식이 다양한 모달리티 누락 시나리오에서 베이스라인 (baselines) 대비 우수한 성능을 제공함을 입증합니다. 코드와 모델 체크포인트는 https://github.com/atlas-sky/SIUM 에서 확인할 수 있습니다.