Fugu-MT 論文翻訳(概要): Off-the-grid data-driven optimization of sampling schemes in MRI

論文の概要: Off-the-grid data-driven optimization of sampling schemes in MRI

arxiv url: http://arxiv.org/abs/2010.01817v1
Date: Mon, 5 Oct 2020 07:06:39 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 22:27:01.963435
Title: Off-the-grid data-driven optimization of sampling schemes in MRI
Title（参考訳）: MRIにおけるサンプリングスキームのオフザグリッドデータ駆動最適化
Authors: Alban Gossard (IMT), Fr\'ed\'eric de Gournay (IMT), Pierre Weiss (CNRS, IMT)
Abstract要約: 本稿では,MRIにおける効率よく,物理的に妥当なサンプリングパターンを生成するための,新しい学習ベースアルゴリズムを提案する。この手法はアルゴリズムによって暗黙的に定義されたコスト関数の高次元最適化からなる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel learning based algorithm to generate efficient and physically plausible sampling patterns in MRI. This method has a few advantages compared to recent learning based approaches: i) it works off-the-grid and ii) allows to handle arbitrary physical constraints. These two features allow for much more versatility in the sampling patterns that can take advantage of all the degrees of freedom offered by an MRI scanner. The method consists in a high dimensional optimization of a cost function defined implicitly by an algorithm. We propose various numerical tools to address this numerical challenge.
Abstract（参考訳）: 本稿では,MRIにおける効率よく,物理的に妥当なサンプリングパターンを生成する新しい学習アルゴリズムを提案する。この手法は近年の学習ベースアプローチと比較していくつかの利点がある。 i)オフ・ザ・グリッドで動作し、 ii) 任意の物理的制約を扱うことができる。これらの2つの機能は、MRIスキャナーが提供する自由度をすべて活用できるサンプリングパターンにおいて、はるかに汎用性を実現する。この手法はアルゴリズムによって暗黙的に定義されたコスト関数の高次元最適化からなる。この数値問題に対処する様々な数値ツールを提案する。

関連論文リスト

Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。 LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文参考訳（メタデータ） (2024-02-27T14:21:56Z)
Faster Stochastic Variance Reduction Methods for Compositional MiniMax Optimization [50.10952609321302]
合成ミニマックス最適化は、さまざまな機械学習領域において重要な課題である。構成最小最適化の現在の方法は、最適以下の複雑さや、大きなバッチサイズに大きく依存することによって悩まされている。本稿では,Nested STOchastic Recursive Momentum (NSTORM)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-18T14:57:21Z)
Constrained Probabilistic Mask Learning for Task-specific Undersampled MRI Reconstruction [8.44194619347218]
アンダーサンプリング(アンダーサンプリング)は、磁気共鳴イメージング(MRI)において、k空間内のデータ点数をサブサンプリングする一般的な方法である。データポイントからアンダーサンプリングマスクを直接学習する手法を提案する。解剖学的に異なる部位で最適なアンダーサンプリングマスクが認められた。
論文参考訳（メタデータ） (2023-05-25T14:42:04Z)
Provable Multi-instance Deep AUC Maximization with Stochastic Pooling [39.46116380220933]
本稿では,マルチインスタンス学習(MIL)における深層AUC(DAM)の新たな応用について考察する。単一のクラスラベルは、インスタンスのバッグに割り当てられる(例えば、患者のためのスキャンの複数の2Dスライスなど)。
論文参考訳（メタデータ） (2023-05-14T01:29:56Z)
Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文参考訳（メタデータ） (2023-04-12T14:51:47Z)
A model-free feature selection technique of feature screening and random forest based recursive feature elimination [0.0]
質量特徴を持つ超高次元データのモデルフリー特徴選択法を提案する。提案手法は選択整合性を示し, 弱正則条件下では$L$整合性を示す。
論文参考訳（メタデータ） (2023-02-15T03:39:16Z)
COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing [27.870537087888334]
本研究では,任意のサンプリング(サンプリング行列を含む)の問題を1つのモデルで解くために,COAST(Arbitrary-Sampling neTwork)を提案する。 COASTは1つのモデルで任意のサンプリング行列を処理でき、高速で最先端のパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2021-07-15T10:05:00Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。最先端アルゴリズムの利点を論じ、解説する。
論文参考訳（メタデータ） (2020-09-28T15:22:24Z)
MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
論文参考訳（メタデータ） (2020-05-01T14:01:53Z)
Best Principal Submatrix Selection for the Maximum Entropy Sampling Problem: Scalable Algorithms and Performance Guarantees [1.7640556247739623]
MESPは医療、電力システム、製造業、データサイエンスなど、多くの分野に広く応用されている。我々はMESPのための新しい凸整数プログラムを導出し、その連続緩和がほぼ最適解をもたらすことを示す。数値実験により,これらの近似アルゴリズムは,中規模および大規模のインスタンスをほぼ最適に効率的に解けることを示した。
論文参考訳（メタデータ） (2020-01-23T14:14:18Z)

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。