論文の概要: An Hybrid Method for the Estimation of the Breast Mechanical Parameters
- arxiv url: http://arxiv.org/abs/2003.07274v1
- Date: Mon, 9 Mar 2020 11:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 08:32:43.323646
- Title: An Hybrid Method for the Estimation of the Breast Mechanical Parameters
- Title（参考訳）: 乳児の機械的パラメータ推定のためのハイブリッド手法
- Authors: Diogo Lopes and Ant\'onio Ramires Fernandes and St\'ephane Clain
- Abstract要約: 正確な数値乳房モデルは、手術シミュレーションの結果、乳房の視覚情報を外科医に提供することができる。
モデルパラメータを見つけるプロセスは、医療画像技術または他の測定基準に基づく数値入力を必要とする。
逆弾性解法は非常に堅牢であり、必要な精度で解を提供する。
ニューラルネットワークのようなディープラーニング手法は、ほとんどのケースで正確な結果が得られる。
- 参考スコア（独自算出の注目度）: 0.9176056742068814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are several numerical models that describe real phenomena being used to
solve complex problems. For example, an accurate numerical breast model can
provide assistance to surgeons with visual information of the breast as a
result of a surgery simulation. The process of finding the model parameters
requires numeric inputs, either based in medical imaging techniques, or other
measures. Inputs can be processed by iterative methods (inverse elasticity
solvers). Such solvers are highly robust and provide solutions within the
required degree of accuracy. However, their computational complexity is costly.
On the other hand, machine learning based approaches provide outputs in
real-time. Although high accuracy rates can be achieved, these methods are not
exempt from producing solutions outside the required degree of accuracy. In the
context of real life situations, a non accurate solution might present
complications to the patient.
We present an hybrid parameter estimation method to take advantage of the
positive features of each of the aforementioned approaches. Our method
preserves both the real-time performance of deep-learning methods, and the
reliability of inverse elasticity solvers. The underlying reasoning behind our
proposal is the fact that deep-learning methods, such as neural networks, can
provide accurate results in the majority of cases and they just need a
fail-safe system to ensure its reliability. Hence, we propose using a
Multilayer Neural Networks (MNN) to get an estimation which is in turn
validated by a iterative solver. In case the MNN provides an estimation not
within the required accuracy range, the solver refines the estimation until the
required accuracy is achieved. Based on our results we can conclude that the
presented hybrid method is able to complement the computational performance of
MNNs with the robustness of iterative solver approaches.
- Abstract（参考訳）: 複雑な問題を解くために使われる実現象を記述する数値モデルがいくつか存在する。
例えば、正確な数値乳房モデルは、手術シミュレーションの結果、乳房の視覚情報を外科医に提供することができる。
モデルパラメータを見つけるプロセスは、医療画像技術または他の測定基準に基づく数値入力を必要とする。
入力は反復的な方法(逆弾性解法)によって処理できる。
このような解法は非常に堅牢で、必要な精度で解を提供する。
しかし計算の複雑さは高くつく。
一方、機械学習に基づくアプローチは、リアルタイムで出力を提供する。
高い精度は達成できるが、これらの手法は必要な精度以外の解の生成を免除するものではない。
現実の状況では、非正確な解決策が患者に合併症をもたらす可能性がある。
本稿では,上記の各手法の正の特徴を生かしたハイブリッドパラメータ推定手法を提案する。
本手法は,ディープラーニング手法のリアルタイム性能と逆弾性解法の信頼性を両立させる。
この提案の背後にある根拠は、ニューラルネットワークのようなディープラーニング手法が、ほとんどのケースで正確な結果を提供することができ、信頼性を確保するためにフェールセーフなシステムが必要であるという事実です。
そこで本研究では,MNN(Multilayer Neural Networks)を用いて,反復解法によって検証された推定値を求める。
mnnが所要の精度範囲内にない推定を提供する場合、解答者は所要の精度が達成されるまで推定を洗練する。
この結果から,提案手法は, MNNの計算性能を反復解法の頑健さで補うことができると結論付けることができる。
関連論文リスト
- Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Parallel and Limited Data Voice Conversion Using Stochastic Variational
Deep Kernel Learning [2.5782420501870296]
本稿では,限られたデータを扱う音声変換手法を提案する。
変分深層学習(SVDKL)に基づく。
非滑らかでより複雑な関数を推定することができる。
論文 参考訳（メタデータ） (2023-09-08T16:32:47Z) - MISNN: Multiple Imputation via Semi-parametric Neural Networks [9.594714330925703]
バイオメディカル・ソーシャル・エコノメトリー研究において、多重計算(Multiple Imputation, MI)は、欠落した価値問題に広く応用されている。
提案するMISNNは,MIの特徴選択を取り入れた,新規で効率的なアルゴリズムである。
論文 参考訳（メタデータ） (2023-05-02T21:45:36Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Efficient Learning of Accurate Surrogates for Simulations of Complex Systems [0.0]
サンプリング駆動サンプリングによって強化されたオンライン学習手法を提案する。
モデル応答面上のすべての旋回点がトレーニングデータに含まれることを保証する。
本手法を核物質のシミュレーションに適用し,高精度なサロゲートを確実に自動生成できることを実証する。
論文 参考訳（メタデータ） (2022-07-11T20:51:11Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Numerical Approximation in CFD Problems Using Physics Informed Machine
Learning [0.0]
この論文は、幅広いCFD問題に普遍的に使用できる代替近似法を見つけるための様々な手法に焦点を当てている。
その焦点は、微分方程式を計算データによるトレーニングなしで解くことができるような、物理情報に基づく機械学習技術に留まっている。
極端な学習機械(ELM)は、チューナブルパラメーターを犠牲にして非常に高速なニューラルネットワークアルゴリズムである。
論文 参考訳（メタデータ） (2021-11-01T22:54:51Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳（メタデータ） (2020-12-04T15:36:29Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。