論文の概要: Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net
- arxiv url: http://arxiv.org/abs/2103.11587v1
- Date: Mon, 22 Mar 2021 05:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:18:47.647863
- Title: Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net
- Title（参考訳）: 教師なし多変量標準CSC$\ell_4$Netを用いた脳画像合成
- Authors: Yawen Huang, Feng Zheng, Danyang Wang, Weilin Huang, Matthew R. Scott,
Ling Shao
- Abstract要約: 我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
- 参考スコア（独自算出の注目度）: 122.8907826672382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in neuroscience have highlighted the effectiveness of
multi-modal medical data for investigating certain pathologies and
understanding human cognition. However, obtaining full sets of different
modalities is limited by various factors, such as long acquisition times, high
examination costs and artifact suppression. In addition, the complexity, high
dimensionality and heterogeneity of neuroimaging data remains another key
challenge in leveraging existing randomized scans effectively, as data of the
same modality is often measured differently by different machines. There is a
clear need to go beyond the traditional imaging-dependent process and
synthesize anatomically specific target-modality data from a source input. In
this paper, we propose to learn dedicated features that cross both intre- and
intra-modal variations using a novel CSC$\ell_4$Net. Through an initial
unification of intra-modal data in the feature maps and multivariate canonical
adaptation, CSC$\ell_4$Net facilitates feature-level mutual transformation. The
positive definite Riemannian manifold-penalized data fidelity term further
enables CSC$\ell_4$Net to reconstruct missing measurements according to
transformed features. Finally, the maximization $\ell_4$-norm boils down to a
computationally efficient optimization problem. Extensive experiments validate
the ability and robustness of our CSC$\ell_4$Net compared to the
state-of-the-art methods on multiple datasets.
- Abstract（参考訳）: 近年の神経科学の進歩は、ある病態を調査し、人間の認知を理解するためのマルチモーダル医療データの有効性を強調している。
しかし, 長期取得時間, 高精査コスト, アーティファクト抑制など, 様々な要因により, 異なるモダリティの完全な集合を得るには限界がある。
さらに、ニューロイメージングデータの複雑さ、高次元性、不均一性は、しばしば異なるマシンで測定されるため、既存のランダム化スキャンを効果的に活用する上で重要な課題である。
従来のイメージング依存プロセスを超えて、ソース入力から解剖学的に特異的なターゲットモダリティデータを合成する必要があることは明らかです。
本稿では,新しいCSC$\ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
CSC$\ell_4$Netは、特徴写像におけるモーダル内データの初期統一と多変量標準適応により、特徴レベルの相互変換を促進する。
正の定値リーマン多様体加法データ忠実性項により、csc$\ell_4$net は変換された特徴に従って欠測を再構成することができる。
最後に、最大化 $\ell_4$-norm は計算効率のよい最適化問題に帰着する。
複数のデータセットの最先端手法と比較して、CSC$\ell_4$Netの能力と堅牢性を検証する。
関連論文リスト
- Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling [0.0]
畳み込みニューラルネットワーク(CNN)はそのようなサロゲートモデルの基礎として人気を集めている。
本稿では,$d$次元問題と$d-1$次元近似の両方に対する数値解の混合によるCNN代理モデルのトレーニングを提案する。
転送学習を用いて,2種類のデータに対して,高密度な完全畳み込みエンコーダ・デコーダCNNを学習する多相フローテスト問題に対するアプローチを実証する。
論文 参考訳（メタデータ） (2024-10-16T05:07:48Z) - FORESEE: Multimodal and Multi-view Representation Learning for Robust Prediction of Cancer Survival [3.4686401890974197]
マルチモーダル情報のマイニングにより患者生存を確実に予測する新しいエンドツーエンドフレームワークFOESEEを提案する。
クロスフュージョントランスフォーマーは、細胞レベル、組織レベル、腫瘍の不均一度レベルの特徴を効果的に利用し、予後を相関させる。
ハイブリットアテンションエンコーダ(HAE)は、コンテキストアテンションモジュールを用いて、コンテキスト関係の特徴を取得する。
また、モダリティ内の損失情報を再構成する非対称マスク型3重マスク型オートエンコーダを提案する。
論文 参考訳（メタデータ） (2024-05-13T12:39:08Z) - HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。
The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。
HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-11-15T17:06:26Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and
Applications [7.322121417864824]
我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。
これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。
神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
論文 参考訳（メタデータ） (2023-05-26T06:02:31Z) - Neural Design for Genetic Perturbation Experiments [16.95249173404529]
我々は、クエリ(アーム)と出力(リワード)の異なる機能関係の下で、ほぼ最適なアームを見つけるために、最適アーム除去原理を導入する。
OAEはまた、GeneDiscoの実験的計画課題において、ベンチマークアルゴリズムを4つのデータセットのうち3つで上回っている。
論文 参考訳（メタデータ） (2022-07-26T10:59:52Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。