論文の概要: Recurrent Inference Machines as inverse problem solvers for MR
relaxometry
- arxiv url: http://arxiv.org/abs/2106.07379v1
- Date: Tue, 8 Jun 2021 16:50:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:13:05.547417
- Title: Recurrent Inference Machines as inverse problem solvers for MR
relaxometry
- Title（参考訳）: MR緩和法における逆問題解法としてのリカレント推論マシン
- Authors: E. R. Sabidussi, S. Klein, M. W. A. Caan, S. Bazrafkan, A. J. den
Dekker, J. Sijbers, W. J. Niessen, D. H. J. Poot
- Abstract要約: 本稿では,T1およびT2マッピングの実行にRIM(Recurrent Inference Machines)を用いることを提案する。
RIMは、信号モデルに基づいて反復推論プロセスを学ぶニューラルネットワークフレームワークである。
RIM での推論は Maximum Likelihood Estimator (MLE) の150倍高速である
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose the use of Recurrent Inference Machines (RIMs) to
perform T1 and T2 mapping. The RIM is a neural network framework that learns an
iterative inference process based on the signal model, similar to conventional
statistical methods for quantitative MRI (QMRI), such as the Maximum Likelihood
Estimator (MLE). This framework combines the advantages of both data-driven and
model-based methods, and, we hypothesize, is a promising tool for QMRI.
Previously, RIMs were used to solve linear inverse reconstruction problems.
Here, we show that they can also be used to optimize non-linear problems and
estimate relaxometry maps with high precision and accuracy. The developed RIM
framework is evaluated in terms of accuracy and precision and compared to an
MLE method and an implementation of the ResNet. The results show that the RIM
improves the quality of estimates compared to the other techniques in Monte
Carlo experiments with simulated data, test-retest analysis of a system
phantom, and in-vivo scans. Additionally, inference with the RIM is 150 times
faster than the MLE, and robustness to (slight) variations of scanning
parameters is demonstrated. Hence, the RIM is a promising and flexible method
for QMRI. Coupled with an open-source training data generation tool, it
presents a compelling alternative to previous methods.
- Abstract（参考訳）: 本稿では,T1およびT2マッピングの実行にRIM(Recurrent Inference Machines)を用いることを提案する。
RIMは、信号モデルに基づいて反復推論プロセスを学ぶニューラルネットワークフレームワークであり、MLE(Maximum Likelihood Estimator)のような定量的MRI(QMRI)の従来の統計手法と同様である。
このフレームワークは、データ駆動手法とモデルベース手法の両方の利点を組み合わせ、我々は、QMRIにとって有望なツールであると仮定する。
以前は、RIMは線形逆再構成の問題を解決するために用いられていた。
ここでは, 非線形問題を最適化し, 高精度かつ高精度なリラクソメトリマップを推定するためにも利用できることを示す。
開発したrimフレームワークは精度と精度で評価され、mle法やresnetの実装と比較される。
その結果, RIMは, シミュレーションデータを用いたモンテカルロ実験, システムファントムのテスト・テスト解析, およびin-vivoスキャンの他の手法と比較して, 推定精度を向上することがわかった。
さらに、RIMによる推論はMLEの150倍高速であり、スキャンパラメータの(軽い)バリエーションに対する堅牢性を示す。
したがって、RIMはQMRIのための有望で柔軟な方法である。
オープンソースのトレーニングデータ生成ツールと組み合わせることで、従来の方法よりも魅力的な代替手段を提供する。
関連論文リスト
- Multilinear Kernel Regression and Imputation via Manifold Learning [5.482532589225551]
MultiL-KRIMは、空間の直感的な概念に基づいて構築され、ポイントクラウドの隣人(回帰者)間の協調を損失関数のデータモデリング用語に直接組み込む。
2つの重要なアプリケーションドメインはMultiL-KRIMの機能を示す: 時間変化グラフ信号(TVGS)リカバリと、高速な動的磁気共鳴イメージング(dMRI)データの再構成である。
論文 参考訳（メタデータ） (2024-02-06T02:50:42Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Exploring Equation as a Better Intermediate Meaning Representation for
Numerical Reasoning [53.2491163874712]
我々は数値推論の問題を解くために方程式をIMRとして利用する。
本稿では、方程式(ブリッジ)の生成を分解したブースティング数値推論法を提案する。
本手法では,GSM8K,SVAMP,Algebraデータセットの2.2%,0.9%,1.7%の性能向上を実現している。
論文 参考訳（メタデータ） (2023-08-21T09:35:33Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳（メタデータ） (2023-06-19T15:37:53Z) - CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative
R2* Mapping [12.414040285543273]
CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである
モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。
実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
論文 参考訳（メタデータ） (2022-10-12T15:49:51Z) - 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) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - A comparison of Monte Carlo dropout and bootstrap aggregation on the
performance and uncertainty estimation in radiation therapy dose prediction
with deep learning neural networks [0.46180371154032895]
本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。
パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
論文 参考訳（メタデータ） (2020-11-01T00:24:43Z) - Revisiting Robust Model Fitting Using Truncated Loss [19.137291311347788]
様々な2D/3D登録問題に新しいアルゴリズムを適用する。
RANSACと近似MC法を高い外れ値比で上回る。
新しいアルゴリズムは、特に高ノイズや外れ値において、最先端の登録手法と好意的に比較できる。
論文 参考訳（メタデータ） (2020-08-04T14:10:41Z)
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。