論文の概要: Is Perfect Filtering Enough Leading to Perfect Phase Correction for dMRI
data?
- arxiv url: http://arxiv.org/abs/2106.06992v1
- Date: Sun, 13 Jun 2021 13:38:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:00:35.644925
- Title: Is Perfect Filtering Enough Leading to Perfect Phase Correction for dMRI
data?
- Title(参考訳): 完璧なフィルタリングは、dmriデータの完璧な位相補正につながるか?
- Authors: Liu Feihong, Yang Junwei, He Xiaowei, Zhou Luping, Feng Jun, Shen
Dinggang
- Abstract要約: ノイズの符号記号を識別できないため, 位相補正には完全フィルタでさえ不十分である。
本稿では,ノイズサインのシンボルを簡便に識別するキャリブレーション手法を提案する。
- 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: Being complex-valued and low in signal-to-noise ratios, magnitude-based
diffusion MRI is confounded by the noise-floor that falsely elevates signal
magnitude and incurs bias to the commonly used diffusion indices, such as
fractional anisotropy (FA). To avoid noise-floor, most existing phase
correction methods explore improving filters to estimate the noise-free
background phase. In this work, after diving into the phase correction
procedures, we argue that even a perfect filter is insufficient for phase
correction because the correction procedures are incapable of distinguishing
sign-symbols of noise, resulting in artifacts (\textit{i.e.}, arbitrary signal
loss). With this insight, we generalize the definition of noise-floor to a
complex polar coordinate system and propose a calibration procedure that could
conveniently distinguish noise sign symbols. The calibration procedure is
conceptually simple and easy to implement without relying on any external
technique while keeping distinctly effective.
- Abstract(参考訳): 信号と雑音の比が複雑で低いため、等級に基づく拡散MRIは、信号の大きさが誤って上昇し、分数異方性(FA)のような一般的な拡散指標に偏りが生じるノイズフロアによって構築される。
従来の位相補正法ではノイズフリーな背景位相を推定するフィルタの改良が検討されている。
本研究は, 位相補正手順に飛び込んだ後, 完全フィルタでもノイズの記号記号を識別できないため, 位相補正には不十分であると主張し, 人工物(\textit{i.e)を生じる。
任意の信号損失)。
この知見により,ノイズフロアの定義を複雑な極座標系に一般化し,ノイズ記号の識別を便利に行うキャリブレーション手法を提案する。
キャリブレーション手順は概念的にはシンプルで実装が容易で、外部技術に頼らず、明確な有効性を維持している。
関連論文リスト
- Phase Aberration Correction without Reference Data: An Adaptive Mixed
Loss Deep Learning Approach [3.647138233493735]
位相収差効果を補うために参照データを必要としない深層学習に基づく手法を提案する。
平均二乗誤差のような従来の損失関数が最適性能を達成するためにネットワークを訓練するには不十分であることを示す。
論文 参考訳(メタデータ) (2023-03-10T07:11:48Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳(メタデータ) (2023-02-19T15:24:37Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳(メタデータ) (2023-02-13T19:57:17Z) - Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
ガウス過程回帰に基づく適応型低域通過フィルタを提案する。
本研究では,提案手法の誤差が一様境界であることを示す。
論文 参考訳(メタデータ) (2021-11-05T17:06:59Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳(メタデータ) (2021-07-21T17:10:14Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳(メタデータ) (2021-03-01T08:25:26Z) - Federated Edge Learning with Misaligned Over-The-Air Computation [36.39188653838991]
オーバーザエア計算(OAC)は、フェデレーションエッジラーニングのアップリンクで高速なモデル集約を実現する有望な技術です。
残留チャネルゲインミスマッチと非同期の存在下での最大確率(ml)推定器の設計は、オープンな問題である。
本稿では,フェデレートエッジ学習におけるOACの誤りを定式化し,白色マッチングフィルタとサンプリング方式を提案する。
論文 参考訳(メタデータ) (2021-02-26T17:19:56Z) - Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor
Data Fusion Method [0.0]
本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。
アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。
我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
論文 参考訳(メタデータ) (2020-09-07T13:24:47Z) - Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint
modeling [69.35569554213679]
解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。
この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。
本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
論文 参考訳(メタデータ) (2020-05-16T21:17:26Z) - Learning Convolutional Sparse Coding on Complex Domain for
Interferometric Phase Restoration [22.705150812947537]
複雑な畳み込みスパース符号化(ComCSC)とその勾配正規化バージョンであるInSAR位相復元のための代替手法を提案する。
提案手法は, 干渉位相ノイズを抑制するだけでなく, 階段効果を回避し, 詳細を保存できる。
TerraSAR-X StripMap と Sentinel-1 インターフェロメトリ・ワイド・スワス・モードから得られた高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能・高分解能)。
論文 参考訳(メタデータ) (2020-03-06T21:01:44Z)
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。