論文の概要: Discovering Hidden Physics Behind Transport Dynamics

• arxiv url: http://arxiv.org/abs/2011.12222v2
• Date: Mon, 29 Mar 2021 14:21:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 14:03:54.638843
• Title: Discovering Hidden Physics Behind Transport Dynamics
• Title（参考訳）: 輸送動力学の背後に隠れた物理の発見
• Authors: Peirong Liu and Lin Tian and Yubo Zhang and Stephen R. Aylward and Yueh Z. Lee and Marc Niethammer
• Abstract要約: 対流拡散方程式はこれらの輸送現象を記述するために広く用いられる。 我々の目標は、速度と拡散テンソル場として表される対流拡散方程式の基礎物理学を推定することである。 本稿では,2次元と3次元の画像時系列間の自動エンコーダ構造に基づく学習フレームワーク(YETI)を提案する。
• 参考スコア（独自算出の注目度）: 26.241612160305756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transport processes are ubiquitous. They are, for example, at the heart of optical flow approaches; or of perfusion imaging, where blood transport is assessed, most commonly by injecting a tracer. An advection-diffusion equation is widely used to describe these transport phenomena. Our goal is estimating the underlying physics of advection-diffusion equations, expressed as velocity and diffusion tensor fields. We propose a learning framework (YETI) building on an auto-encoder structure between 2D and 3D image time-series, which incorporates the advection-diffusion model. To help with identifiability, we develop an advection-diffusion simulator which allows pre-training of our model by supervised learning using the velocity and diffusion tensor fields. Instead of directly learning these velocity and diffusion tensor fields, we introduce representations that assure incompressible flow and symmetric positive semi-definite diffusion fields and demonstrate the additional benefits of these representations on improving estimation accuracy. We further use transfer learning to apply YETI on a public brain magnetic resonance (MR) perfusion dataset of stroke patients and show its ability to successfully distinguish stroke lesions from normal brain regions via the estimated velocity and diffusion tensor fields.
• Abstract（参考訳）: 輸送プロセスはユビキタスです。 例えば、光血流アプローチの心臓部、あるいは血液輸送を評価する灌流イメージング(perfusion imaging)であり、最も一般的にはトレーサを注入する。 対流拡散方程式はこれらの輸送現象を記述するために広く用いられる。 我々の目標は、速度と拡散テンソル場として表される対流拡散方程式の基礎物理学を推定することである。 本稿では,2次元画像と3次元画像の時系列間の自動エンコーダ構造に基づく学習フレームワーク(YETI)を提案する。 そこで我々は,速度と拡散テンソル場を用いた教師付き学習により,モデルの事前学習を可能にする対流拡散シミュレータを開発した。 これらの速度場と拡散テンソル場を直接学習する代わりに、非圧縮流と対称正の半定値拡散場を保証する表現を導入し、これらの表現による推定精度の向上の利点を示す。 さらに,脳卒中患者の公共脳磁気共鳴(mr)灌流データセットにentiを応用し,推定速度および拡散テンソル場を用いて脳卒中病変を正常脳領域から正常に識別する能力を示す。

関連論文リスト

• Physics-informed graph neural networks for flow field estimation in carotid arteries [2.0437999068326276]
  循環動態量は動脈硬化などの循環器疾患にとって貴重なバイオメディカルリスク因子である。 本研究では,機械学習を利用した血行動態場推定のための代理モデルを作成する。 私たちは、基礎となる対称性と物理に関する事前情報を含むグラフニューラルネットワークをトレーニングし、トレーニングに必要なデータ量を制限する。 このことは、物理インフォームドグラフニューラルネットワークを4次元フローMRIデータを用いてトレーニングすることで、見えない頸動脈領域の血流を推定できることを示している。
  論文  参考訳（メタデータ） (2024-08-13T13:09:28Z)
• Physics-Guided Neural Networks for Intraventricular Vector Flow Mapping [1.498019339784467]
  物理インフォームドニューラルネットワーク(PINN)と物理誘導型nnU-Netに基づく教師付きアプローチを用いて,従来のiVFM最適化方式に代わる新しい手法を提案する。 どちらの手法も、元のiVFMアルゴリズムに匹敵する再構成性能を示している。 この研究は、超高速カラードプライメージングにおけるPINNの潜在的な応用と、血流に基づく心臓血管疾患のバイオマーカーを導出するための流体力学方程式の導入についても示唆している。
  論文  参考訳（メタデータ） (2024-03-19T17:35:17Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Non-Denoising Forward-Time Diffusions [4.831663144935879]
  拡散確率モデルの提案に共通する時間反転論証は不要であることを示す。 拡散ブリッジを適切に混合することにより,所望のデータ分布をターゲットとした拡散過程を得る。 我々は、我々の時間反転アプローチに対応するドリフト調整の統一的なビューを開発する。
  論文  参考訳（メタデータ） (2023-12-22T10:26:31Z)
• Gramian Angular Fields for leveraging pretrained computer vision models with anomalous diffusion trajectories [0.9012198585960443]
  拡散軌跡を扱うための新しいデータ駆動手法を提案する。 この方法はグラミアン角場(GAF)を用いて1次元軌跡を画像として符号化する。 我々は、ResNetとMobileNetという、よく訓練された2つのコンピュータビジョンモデルを利用して、基礎となる拡散体制を特徴づける。
  論文  参考訳（メタデータ） (2023-09-02T17:22:45Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Deep Decomposition for Stochastic Normal-Abnormal Transport [13.171464781844609]
  対流拡散方程式は、流体の流れ、熱伝達、風輸送など、多くの自然輸送過程を記述している。 本研究では,2D/3D画像の時系列を駆動する速度場と拡散場を予測する機械学習モデルDSONATA2を開発した。 特に,本モデルでは,期待される正常輸送挙動と観測された輸送の異常な差異を分離する輸送非定型性をモデル化した。
  論文  参考訳（メタデータ） (2021-11-29T18:38:57Z)
• Wave Propagation of Visual Stimuli in Focus of Attention [77.4747032928547]
  周囲の視覚環境の変化に対する迅速な反応は、計算資源を視覚領域の最も関連する場所に再配置する効率的な注意機構を必要とする。 本研究は, 営巣動物が提示する有効性と効率性を示す, 生物学的に有望な注目焦点モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-19T09:33:21Z)

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。