論文の概要: Experimental design for MRI by greedy policy search

• arxiv url: http://arxiv.org/abs/2010.16262v2
• Date: Tue, 15 Dec 2020 11:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 15:52:15.029262
• Title: Experimental design for MRI by greedy policy search
• Title（参考訳）: greedy Policy SearchによるMRIの実験的検討
• Authors: Tim Bakker, Herke van Hoof, Max Welling
• Abstract要約: 政策手法を用いて, 高速化MRIのための実験的設計戦略を学習することを提案する。 目的の単純な欲求近似が、より一般的な非欲求的アプローチとほぼ一致した解をもたらすことを示す。 この適応性がサブサンプリング設計の改善の鍵であることを実証的に示す。
• 参考スコア（独自算出の注目度）: 88.02271826127219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In today's clinical practice, magnetic resonance imaging (MRI) is routinely accelerated through subsampling of the associated Fourier domain. Currently, the construction of these subsampling strategies - known as experimental design - relies primarily on heuristics. We propose to learn experimental design strategies for accelerated MRI with policy gradient methods. Unexpectedly, our experiments show that a simple greedy approximation of the objective leads to solutions nearly on-par with the more general non-greedy approach. We offer a partial explanation for this phenomenon rooted in greater variance in the non-greedy objective's gradient estimates, and experimentally verify that this variance hampers non-greedy models in adapting their policies to individual MR images. We empirically show that this adaptivity is key to improving subsampling designs.
• Abstract（参考訳）: 今日の臨床実践では、MRIは関連するフーリエ領域のサブサンプリングによって定期的に加速される。 現在、これらのサブサンプリング戦略(実験設計として知られる)の構築は主にヒューリスティックスに依存している。 政策勾配法による高速化MRIの実験的設計戦略を学習することを提案する。 予期せず、我々の実験は、目的の単純な欲求近似が、より一般的な非欲求的アプローチとほぼ一致した解をもたらすことを示した。 我々は,この現象が非欲客の勾配推定値のばらつきに根ざした部分的な説明を提供し,そのばらつきが非欲客モデルに個々のmr画像への適応を妨げていることを実験的に検証した。 この適応性がサブサンプリング設計の改善の鍵であることを実証的に示す。

関連論文リスト

• Mind the Gap: Promoting Missing Modality Brain Tumor Segmentation with Alignment [21.571977754383518]
  多発性磁気共鳴画像(MRI)による脳腫瘍の分節 臨床ではMRIの特定のモダリティが欠如している可能性があるため、さらに困難なシナリオが提示される。 本稿では,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-09-28T14:37:42Z)
• Learning to sample in Cartesian MRI [1.2432046687586285]
  患者の快適さを高め、検査コストを減らし、スループットを向上させるため、臨床環境ではスキャン時間を短縮することが重要である。 圧縮センシング(CS)とディープラーニングの最近の進歩は、アンダーサンプルデータから高品質な画像を再構成することで、MRIの高速化を可能にする。 この論文は、カルテシアンMRIの文脈におけるこのギャップに対処する2つのアプローチを探求する。
  論文  参考訳（メタデータ） (2023-12-07T14:38:07Z)
• DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI [0.0]
  拡散駆動型逆ファクト法であるDreaMRを導入し,高い特異性,妥当性,忠実度でfMRIの解釈を可能にする。 DreaMRは、入力fMRIサンプルの拡散に基づく再サンプリングを行い、下流分類器の決定を変更し、説明のために元のサンプルと反現実的なサンプルの最小差を計算する。 ニューロイメージングデータセットに関する総合的な実験は、fMRIの解釈のための最先端のカウンターファクト法よりも、サンプル生成におけるDreaMRの特異性、忠実性、効率性が優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-18T18:46:07Z)
• Interventions, Where and How? Experimental Design for Causal Models at Scale [47.63842422086614]
  観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。 本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。 本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
  論文  参考訳（メタデータ） (2022-03-03T20:59:04Z)
• Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep Anchor Attention Learning with Vision Transformer [4.630654643366308]
  画像ベース脳腫瘍予測モデルによるMRIによるX線学的表現型の定量化 腫瘍内表現型不均一性の証拠にもかかわらず、MRIスキャンにおける異なるスライス間の空間的多様性は、そのような方法では比較的研究されていない。 本稿では,脳腫瘍患者の生存リスクを予測するために,ビジョントランスフォーマを用いたディープアンカーアテンションアグリゲーション戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-03T21:33:08Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• End-to-End Variational Networks for Accelerated MRI Reconstruction [15.92576953714072]
  本稿では,従来提案されていた変分法を拡張したマルチコイルデータから,完全エンドツーエンドの学習により再構築する手法を提案する。 提案手法は,脳と膝のMRI画像に対する高速MRIデータセットを用いて,新しい最先端の検査結果を得る。
  論文  参考訳（メタデータ） (2020-04-14T17:42:13Z)
• Disentangling Adaptive Gradient Methods from Learning Rates [65.0397050979662]
  適応的勾配法が学習率のスケジュールとどのように相互作用するかを、より深く検討する。 我々は、更新の規模をその方向から切り離す"グラフティング"実験を導入する。 適応勾配法の一般化に関する経験的および理論的考察を示す。
  論文  参考訳（メタデータ） (2020-02-26T21:42:49Z)

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。