論文の概要: Leveraging both Lesion Features and Procedural Bias in Neuroimaging: An Dual-Task Split dynamics of inverse scale space

• arxiv url: http://arxiv.org/abs/2007.08740v1
• Date: Fri, 17 Jul 2020 03:41:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:59:17.576538
• Title: Leveraging both Lesion Features and Procedural Bias in Neuroimaging: An Dual-Task Split dynamics of inverse scale space
• Title（参考訳）: 神経画像における病変特徴と手続きバイアスの活用:逆スケール空間のデュアルタスクスプリットダイナミクス
• Authors: Xinwei Sun, Wenjing Han, Lingjing Hu, Yuan Yao, Yizhou Wang
• Abstract要約: 病変の予測と選択は、ボクセルによる神経画像解析において2つの重要な課題である。 本稿では, 神経画像データの特徴/語彙は, 病変特徴, 手続きバイアス, ヌル特徴の3つの部分から構成されることを示す。 病変の特徴を安定的に選択し,手続き的バイアスを予測に活用するために,反復アルゴリズム(GSplit LBI)を提案する。 本モデルの有効性とメリットは,予測結果の改善と,視覚化された手続きバイアスと病変の特徴の解釈可能性によって示される。
• 参考スコア（独自算出の注目度）: 21.05070956384346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction and selection of lesion features are two important tasks in voxel-based neuroimage analysis. Existing multivariate learning models take two tasks equivalently and optimize simultaneously. However, in addition to lesion features, we observe that there is another type of feature, which is commonly introduced during the procedure of preprocessing steps, which can improve the prediction result. We call such a type of feature as procedural bias. Therefore, in this paper, we propose that the features/voxels in neuroimage data are consist of three orthogonal parts: lesion features, procedural bias, and null features. To stably select lesion features and leverage procedural bias into prediction, we propose an iterative algorithm (termed GSplit LBI) as a discretization of differential inclusion of inverse scale space, which is the combination of Variable Splitting scheme and Linearized Bregman Iteration (LBI). Specifically, with a variable the splitting term, two estimators are introduced and split apart, i.e. one is for feature selection (the sparse estimator) and the other is for prediction (the dense estimator). Implemented with Linearized Bregman Iteration (LBI), the solution path of both estimators can be returned with different sparsity levels on the sparse estimator for the selection of lesion features. Besides, the dense the estimator can additionally leverage procedural bias to further improve prediction results. To test the efficacy of our method, we conduct experiments on the simulated study and Alzheimer's Disease Neuroimaging Initiative (ADNI) database. The validity and the benefit of our model can be shown by the improvement of prediction results and the interpretability of visualized procedural bias and lesion features.
• Abstract（参考訳）: voxelに基づく神経画像解析において,病変の予測と選択は2つの重要な課題である。 既存の多変量学習モデルは2つのタスクを同等に、同時に最適化する。 しかし,病変の特徴に加えて,前処理の手順中に一般的に導入される他のタイプの特徴も観察され,予測結果の改善が期待できる。 このような特徴を手続きバイアスと呼んでいます。 そこで本稿では,神経画像データの特徴/ボクセルを,病変,手続きバイアス,ヌル特徴の3つの直交部から構成する。 病変の特徴を安定的に選択し,手続きバイアスを予測に活用するために,変数分割スキームと線形化ブレグマン反復(lbi)を組み合わせた逆スケール空間の微分包含の離散化として,反復アルゴリズム(gsplit lbi)を提案する。 具体的には、変数分割項では、2つの推定器が導入されて分割される。1つは特徴選択(スパース推定器)、もう1つは予測(高密度推定器)である。 リニアライズド・ブレグマン・イテレーション(LBI)を用いて、両方の推定器の解経路をスパース推定器に異なる間隔で戻すことで、病変の特徴の選定を行うことができる。 さらに、密集した推定器は手続きバイアスを付加して予測結果をさらに改善することができる。 本手法の有効性を検証するために、シミュレーション研究とアルツハイマー病神経画像イニシアチブ(ADNI)データベースの実験を行った。 本モデルの有効性と有用性は,予測結果の改善と,手続きバイアスの可視化と病変の特徴の解釈によって示される。

関連論文リスト

• Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of Right Ventricular Volume [0.5492530316344587]
  右室機能低下は,多くの状況において臨床効果を強く予測する。 本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。 提案手法は意思決定プロセスの強化とリスク低減に有効である。
  論文  参考訳（メタデータ） (2024-03-04T12:36:31Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Coordinated Double Machine Learning [8.808993671472349]
  本稿では、ディープニューラルネットワークのための注意深く調整された学習アルゴリズムにより、推定バイアスを低減できると主張している。 シミュレーションデータと実データの両方を用いた数値実験により,提案手法の実証性能が向上したことを示す。
  論文  参考訳（メタデータ） (2022-06-02T05:56:21Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Jump Interval-Learning for Individualized Decision Making [21.891586204541877]
  個別化区間値決定ルール(I2DR)を開発するためのジャンプインターバル学習を提案する。 単一の治療を推奨するIDRとは異なり、提案されたI2DRは個々の治療オプションの間隔を与える。
  論文  参考訳（メタデータ） (2021-11-17T03:29:59Z)
• The Bias-Variance Tradeoff of Doubly Robust Estimator with Targeted $L_1$ regularized Neural Networks Predictions [0.0]
  ATEの二重ロバスト(DR)推定は、第1ステップでは治療と結果がモデル化され、第2ステップでは予測がDR推定器に挿入される2ステップで行うことができる。 最初の段階でのモデルの仕様ミスにより、研究者はパラメトリックアルゴリズムの代わりに機械学習アルゴリズムを利用するようになった。
  論文  参考訳（メタデータ） (2021-08-02T15:41:27Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Supervised Autoencoders Learn Robust Joint Factor Models of Neural Activity [2.8402080392117752]
  神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。 予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。 本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
  論文  参考訳（メタデータ） (2020-04-10T19:31:57Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。