論文の概要: Model-based multi-parameter mapping
- arxiv url: http://arxiv.org/abs/2102.01604v1
- Date: Tue, 2 Feb 2021 17:00:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 17:30:30.732261
- Title: Model-based multi-parameter mapping
- Title(参考訳): モデルに基づくマルチパラメータマッピング
- Authors: Yael Balbastre, Mikael Brudfors, Michela Azzarito, Christian Lambert,
Martina F. Callaghan, John Ashburner
- Abstract要約: 定量的MRイメージングは、よりリッチな情報の内容と標準化された測定基準のためにますます好まれている。
推定はしばしば、異なる量のデータを分離して解くために、データのノイズサブセットを仮定する。
代わりに、生成モデルは定式化され、パラメータ推定を共同で回復するために反転することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative MR imaging is increasingly favoured for its richer information
content and standardised measures. However, extracting quantitative parameters
such as the longitudinal relaxation rate (R1), apparent transverse relaxation
rate (R2*), or magnetisation-transfer saturation (MTsat) involves inverting a
highly non-linear function. Estimations often assume noise-free measurements
and use subsets of the data to solve for different quantities in isolation,
with error propagating through each computation. Instead, a probabilistic
generative model of the entire dataset can be formulated and inverted to
jointly recover parameter estimates with a well-defined probabilistic meaning
(e.g., maximum likelihood or maximum a posteriori). In practice, iterative
methods must be used but convergence is difficult due to the non-convexity of
the log-likelihood; yet, we show that it can be achieved thanks to a novel
approximate Hessian and, with it, reliable parameter estimates obtained. Here,
we demonstrate the utility of this flexible framework in the context of the
popular multi-parameter mapping framework and further show how to incorporate a
denoising prior and predict posterior uncertainty. Our implementation uses a
PyTorch backend and benefits from GPU acceleration. It is available at
https://github.com/balbasty/nitorch.
- Abstract(参考訳): 量的MRイメージングは、その豊富な情報コンテンツと標準化された対策のためにますます好まれています。
しかし, 縦緩和率 (R1), 横緩和率 (R2*), 磁化移動飽和度 (MTsat) などの定量的パラメータの抽出は, 高い非線形関数の反転を伴う。
推定はしばしばノイズのない測定を仮定し、データのサブセットを使用して異なる量の分離を解決し、各計算を通じてエラーが伝播します。
代わりに、データセット全体の確率的生成モデルを定式化し、逆転してパラメータ推定を適切に定義された確率的意味(例えば、最大可能性または最大a後方)で共同で回収することができる。
実際には、反復的な方法を使用する必要がありますが、ログの類似性の非凸性のために収束は困難です。しかし、我々はそれが新しい近似ヘッセンのおかげで達成できることを示し、それによって、信頼できるパラメータ推定が得られました。
本稿では,このフレキシブルなフレームワークの有用性を,一般的なマルチパラメータマッピングフレームワークの文脈で実証し,デノイジンの事前設定と後方不確かさの予測の方法を示す。
当社の実装では、PyTorchバックエンドを使用しており、GPUアクセラレーションのメリットがあります。
https://github.com/balbasty/nitorch.comで入手できる。
関連論文リスト
- A probabilistic, data-driven closure model for RANS simulations with
aleatoric, model uncertainty [3.8073142980733]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。
パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文 参考訳(メタデータ) (2023-07-05T16:53:31Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳(メタデータ) (2023-06-06T19:02:57Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Sparse Horseshoe Estimation via Expectation-Maximisation [2.1485350418225244]
パラメータのMAP推定を計算するための新しい予測最大化(EM)手法を提案する。
我々のアプローチの特に強みは、M-ステップは前者の形式にのみ依存し、それは可能性の形式とは独立であるということである。
シミュレーションおよび実データを用いて行った実験では、我々の手法は最先端のスパース推定法に匹敵する、あるいは優れている。
論文 参考訳(メタデータ) (2022-11-07T00:43:26Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳(メタデータ) (2022-01-28T12:00:31Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - 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) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Joint Total Variation ESTATICS for Robust Multi-Parameter Mapping [0.0]
ESTATICSは、R2*と複数の外挿インターセプトを抽出するために、複数のエコー系列の連接対数整合を行う。
提案アルゴリズムは,リッチな単目的データセットにおいて,左からのエコーを予測して評価する。
論文 参考訳(メタデータ) (2020-05-28T19:08:42Z) - Robust subgaussian estimation with VC-dimension [0.0]
この研究は、MOM推定器の余剰リスクを束縛する新しい一般的な方法を提案する。
中心となる技術は、統計複雑性を測定するためにVC次元(ラデマッハの複雑さの代わりに)を用いることである。
論文 参考訳(メタデータ) (2020-04-24T13:21:09Z) - Generalized Gumbel-Softmax Gradient Estimator for Various Discrete
Random Variables [16.643346012854156]
ノードの勾配を評価することは、深層生成モデリングコミュニティにおいて重要な研究課題の1つである。
本稿では,連続緩和を伴うGumbel-Softmax推定器の一般バージョンを提案する。
論文 参考訳(メタデータ) (2020-03-04T01:13:15Z)
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。