論文の概要: NeXtQSM -- A complete deep learning pipeline for data-consistent
quantitative susceptibility mapping trained with hybrid data
- arxiv url: http://arxiv.org/abs/2107.07752v1
- Date: Fri, 16 Jul 2021 08:07:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:43:56.918650
- Title: NeXtQSM -- A complete deep learning pipeline for data-consistent
quantitative susceptibility mapping trained with hybrid data
- Title（参考訳）: NeXtQSM -- ハイブリッドデータでトレーニングされたデータ一貫性の定量的感受性マッピングのための完全なディープラーニングパイプライン
- Authors: Francesco Cognolato, Kieran O'Brien, Jin Jin, Simon Robinson, Frederik
B. Laun, Markus Barth, Steffen Bollmann
- Abstract要約: 近年,深層学習に基づく定量的サセプティビリティマッピング (QSM) が大きな可能性を示している。
ここでは、これらの制限を克服し、QSM処理ステップを共同で解決するためのフレームワークを開発する。
我々はNeXtQSMが、堅牢で高速で正確な定量的感受性マップを計算するための完全なディープラーニングベースのパイプラインを提供することを示した。
- 参考スコア（独自算出の注目度）: 8.548091015247184
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning based Quantitative Susceptibility Mapping (QSM) has shown great
potential in recent years, outperforming traditional non-learning approaches in
speed and accuracy. However, many of the current deep learning approaches are
not data consistent, require in vivo training data or do not solve all steps of
the QSM processing pipeline. Here we aim to overcome these limitations and
developed a framework to solve the QSM processing steps jointly. We developed a
new hybrid training data generation method that enables the end-to-end training
for solving background field correction and dipole inversion in a
data-consistent fashion using a variational network that combines the QSM model
term and a learned regularizer. We demonstrate that NeXtQSM overcomes the
limitations of previous model-agnostic deep learning methods and show that
NeXtQSM offers a complete deep learning based pipeline for computing robust,
fast and accurate quantitative susceptibility maps.
- Abstract（参考訳）: 近年,ディープラーニングに基づく定量的サセプティビリティマッピング(QSM)は,従来の非学習アプローチよりも高速かつ高精度に実現されている。
しかし、現在のディープラーニングアプローチの多くは、データ一貫性がなく、インビボのトレーニングデータを必要とするか、QSM処理パイプラインのすべてのステップを解決していない。
ここでは,これらの制限を克服し,協調してQSM処理ステップを解決するためのフレームワークを開発する。
そこで我々は,QSMモデル項と学習正規化器を組み合わせた変分ネットワークを用いて,バックグラウンドフィールド補正と双極子反転をデータ一貫性で解くためのエンドツーエンドトレーニングを実現するハイブリッドトレーニングデータ生成手法を開発した。
我々は、NeXtQSMが従来のモデルに依存しないディープラーニング手法の限界を克服し、NeXtQSMが、堅牢で高速で正確な定量的感受性マップを計算するための完全なディープラーニングベースのパイプラインを提供することを示した。
関連論文リスト
- Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。
Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。
提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
論文 参考訳（メタデータ） (2024-11-11T07:36:19Z) - Leveraging viscous Hamilton-Jacobi PDEs for uncertainty quantification in scientific machine learning [1.8175282137722093]
科学機械学習(SciML)における不確実性(UQ)は、SciMLの強力な予測力と、学習したモデルの信頼性を定量化する方法を組み合わせる。
我々は、SciMLと粘性ハミルトン-ヤコビ偏微分方程式(HJ PDE)で生じるいくつかのベイズ推論問題の間の新しい理論的関係を確立することにより、UQ問題に対する新しい解釈を提供する。
我々はモデル予測を継続的に更新する際の計算上の利点を提供する新しいRacatiベースの方法論を開発した。
論文 参考訳（メタデータ） (2024-04-12T20:54:01Z) - Sparse Training for Federated Learning with Regularized Error Correction [9.852567834643292]
Federated Learning(FL)は、ディープニューラルネットワーク(DNN)モデルをトレーニングする上で大きなメリットがあるため、大きな関心を集めている。
FLAREは、FLプロセスへの埋め込みを正規化した更新モデルの累積引き込みによる新しいスパーストレーニング手法を提案する。
FLAREの性能は、多種多様な複雑なモデルに関する広範な実験を通じて検証され、顕著なスパーシリティレベル(現在の最先端の10倍以上の)を達成するとともに、精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-12-21T12:36:53Z) - Emulation Learning for Neuromimetic Systems [0.0]
ニューラル量子化システムに関する最近の研究に基づいて、量子化運動の学習結果とチャネルドロップアウトに対するレジリエンスを報告する。
本稿では,経路を学習するだけでなく,チャネルドロップアウトに対するレジリエンスの利点を示す一般のディープQネットワーク(DQN)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-04T22:47:39Z) - A multifidelity approach to continual learning for physical systems [1.4218223473363278]
本稿では,多要素深層ニューラルネットワークに基づく連続学習手法を提案する。
本手法は,既存のトレーニングデータセット上で,事前学習したモデルの出力と所望のモデルの出力との相関関係を学習する。
論文 参考訳（メタデータ） (2023-04-08T03:07:43Z) - Online Target Q-learning with Reverse Experience Replay: Efficiently
finding the Optimal Policy for Linear MDPs [50.75812033462294]
我々は,Q-ラーニングの実践的成功と悲観的理論的結果とのギャップを埋める。
本稿では,新しいQ-Rex法とQ-RexDaReを提案する。
Q-Rex は線形 MDP の最適ポリシを効率的に見つけることができる。
論文 参考訳（メタデータ） (2021-10-16T01:47:41Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳（メタデータ） (2021-06-23T03:43:10Z) - Improving the Accuracy of Early Exits in Multi-Exit Architectures via
Curriculum Learning [88.17413955380262]
マルチエクイットアーキテクチャにより、ディープニューラルネットワークは、正確なコストで厳密な期限に従うために、実行を早期に終了することができる。
カリキュラム学習を活用したマルチエクジットカリキュラム学習という新しい手法を紹介します。
本手法は, 標準訓練手法と比較して, 早期終了の精度を一貫して向上させる。
論文 参考訳（メタデータ） (2021-04-21T11:12:35Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Cross Learning in Deep Q-Networks [82.20059754270302]
本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。
本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
論文 参考訳（メタデータ） (2020-09-29T04:58:17Z)
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。