論文の概要: Latent linear dynamics in spatiotemporal medical data
- arxiv url: http://arxiv.org/abs/2103.00930v1
- Date: Mon, 1 Mar 2021 11:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:50:19.739200
- Title: Latent linear dynamics in spatiotemporal medical data
- Title(参考訳): 時空間医療データにおける潜在線形ダイナミクス
- Authors: Niklas Gunnarsson, Jens Sj\"olund and Thomas B. Sch\"on
- Abstract要約: 逐次的画像のみに基づいて,システムの基盤となるダイナミクスを識別する教師なしモデルを提案する。
モデルは、入力を隠れ状態過程と観察された潜伏過程の間に線形関係が保たれる低次元潜伏空間にマッピングする。
システムダイナミクスの知識は、デノイジング、欠落値のインプテーション、将来の画像フレームの補間を可能にする。
- 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: Spatiotemporal imaging is common in medical imaging, with applications in
e.g. cardiac diagnostics, surgical guidance and radiotherapy monitoring. In
this paper, we present an unsupervised model that identifies the underlying
dynamics of the system, only based on the sequential images. The model maps the
input to a low-dimensional latent space wherein a linear relationship holds
between a hidden state process and the observed latent process. Knowledge of
the system dynamics enables denoising, imputation of missing values and
extrapolation of future image frames. We use a Variational Auto-Encoder (VAE)
for the dimensionality reduction and a Linear Gaussian State Space Model
(LGSSM) for the latent dynamics. The model, known as a Kalman Variational
Auto-Encoder, is end-to-end trainable and the weights, both in the VAE and
LGSSM, are simultaneously updated by maximizing the evidence lower bound of the
marginal log likelihood. Our experiment, on cardiac ultrasound time series,
shows that the dynamical model provide better reconstructions than a similar
model without dynamics. And also possibility to impute and extrapolate for
missing samples.
- Abstract(参考訳): 時空間イメージングは医用画像において一般的であり、例えば、応用される。
心臓診断 外科的指導 放射線治療の監視
本稿では,シーケンシャルな画像のみに基づいて,システムの基盤となるダイナミクスを識別する教師なしモデルを提案する。
モデルは、入力を隠れ状態過程と観察された潜伏過程の間に線形関係が保たれる低次元潜伏空間にマッピングする。
システムダイナミクスの知識は、デノイジング、欠落値のインプテーション、将来の画像フレームの補間を可能にする。
本研究では,次元低減のための変分自動エンコーダ (VAE) と,潜在力学のための線形ガウス状態空間モデル (LGSSM) を用いる。
Kalman Variational Auto-Encoderとして知られているこのモデルは、エンドツーエンドのトレーニング可能であり、VAEとLSSSMの両方のウェイトは、限界ログの可能性の低い境界の証拠を最大化することによって同時に更新される。
心臓超音波時系列実験により, ダイナミックスを伴わない類似モデルよりも, ダイナミックスモデルの方が優れた再現性が得られることが示された。
そして、欠落したサンプルをインプットし、外挿する可能性もあります。
関連論文リスト
- Data-driven discovery of mechanical models directly from MRI spectral data [0.0]
実験により得られたMRIスペクトルデータから動的モデルのデータ駆動的発見のための再構成フレームワークを提案する。
提案手法は,非線形ダイナミクスのスパース同定(SINDy)を用いた解釈可能モデルのデータ駆動探索と組み合わせたものである。
臨床MRIスキャナーに収集した動的ファントムのスペクトルデータを用いて,本法の有効性を検証した。
論文 参考訳(メタデータ) (2024-11-11T13:05:29Z) - A scalable generative model for dynamical system reconstruction from neuroimaging data [5.777167013394619]
データ駆動推論は、観測された時系列の集合に基づく生成力学の推論であり、機械学習への関心が高まっている。
動的システム再構成(DSR)に特化した状態空間モデル(SSM)のトレーニング技術における最近の進歩は、基礎となるシステムの回復を可能にする。
本稿では,この問題を解く新しいアルゴリズムを提案し,モデル次元とフィルタ長とを比較検討する。
論文 参考訳(メタデータ) (2024-11-05T09:45:57Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳(メタデータ) (2024-09-05T18:14:22Z) - 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) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳(メタデータ) (2024-07-18T05:48:24Z) - Neural Ordinary Differential Equation based Sequential Image Registration for Dynamic Characterization [13.492983263194636]
この拡張研究は、このフレームワークがシーケンシャルな生物学的プロセスのキャラクタリゼーションにどのように役立つかを論じる。
我々の枠組みは、ボクセルを力学系の粒子とみなし、ニューラル微分方程式の積分による変形場を定義する。
心臓運動追跡用と経時的脳MRI画像解析用の2つの臨床データセットについて検討した。
論文 参考訳(メタデータ) (2024-04-02T17:04:45Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳(メタデータ) (2023-06-24T17:01:51Z) - Analysis of Numerical Integration in RNN-Based Residuals for Fault
Diagnosis of Dynamic Systems [0.6999740786886536]
本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。
データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
論文 参考訳(メタデータ) (2023-05-08T12:48:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z)
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。