論文の概要: Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements
- arxiv url: http://arxiv.org/abs/2111.08693v1
- Date: Mon, 15 Nov 2021 09:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 16:18:35.489901
- Title: Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements
- Title（参考訳）: 確率自由推論による脳灰白質モデルの反転--信頼できる細胞構造計測のためのツール
- Authors: Ma\"eliss Jallais (PARIETAL), Pedro Rodrigues (PARIETAL), Alexandre
Gramfort (PARIETAL), Demian Wassermann (PARIETAL)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective characterisation of the brain grey matter cytoarchitecture with
quantitative sensitivity to soma density and volume remains an unsolved
challenge in diffusion MRI (dMRI). Solving the problem of relating the dMRI
signal with cytoarchitectural characteristics calls for the definition of a
mathematical model that describes brain tissue via a handful of
physiologically-relevant parameters and an algorithm for inverting the model.
To address this issue, we propose a new forward model, specifically a new
system of equations, requiring a few relatively sparse b-shells. We then apply
modern tools from Bayesian analysis known as likelihood-free inference (LFI) to
invert our proposed model. As opposed to other approaches from the literature,
our algorithm yields not only an estimation of the parameter vector $\theta$
that best describes a given observed data point $x_0$, but also a full
posterior distribution $p(\theta|x_0)$ over the parameter space. This enables a
richer description of the model inversion, providing indicators such as
credible intervals for the estimated parameters and a complete characterization
of the parameter regions where the model may present indeterminacies. We
approximate the posterior distribution using deep neural density estimators,
known as normalizing flows, and fit them using a set of repeated simulations
from the forward model. We validate our approach on simulations using dmipy and
then apply the whole pipeline on two publicly available datasets.
- Abstract（参考訳）: 拡散MRI(dMRI)では,脳の灰白質細胞構造を定量的に解析し,ソマ密度と体積に敏感に特徴付けることができる。
dMRI信号と細胞構造的特徴を関連付ける問題は、少数の生理的関連パラメータとモデルを反転させるアルゴリズムを通じて脳組織を記述する数学的モデルを定義することを要求する。
この問題に対処するために,我々は新しい前方モデル,特に,比較的スパースなb-シェルを必要とする新しい方程式系を提案する。
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。
文献からの他のアプローチとは対照的に、このアルゴリズムは与えられた観測データ点 $x_0$ を最もよく記述するパラメータベクトル $\theta$ の推定だけでなく、パラメータ空間上の完全な後方分布 $p(\theta|x_0)$ も得る。
これにより、モデル逆転のより豊かな記述が可能になり、推定パラメータの信頼区間や、モデルが不確定性を示す可能性のあるパラメータ領域の完全な特徴づけなどの指標を提供する。
我々は, 流れの正規化として知られる深層神経密度推定器を用いて後方分布を近似し, 前方モデルからの繰り返しシミュレーションを用いて近似する。
dmipyを使ってシミュレーションのアプローチを検証し、2つの公開データセットにパイプライン全体を適用する。
関連論文リスト
- A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。
理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
論文 参考訳（メタデータ） (2024-04-16T20:40:15Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - $μ$GUIDE: a framework for quantitative imaging via generalized uncertainty-driven inference using deep learning [0.0]
$mu$GUIDEは、任意の生体物理モデルやMRI信号の表現から組織微細構造パラメータの後方分布を推定する。
得られた後続分布は、モデル定義に存在する退化をハイライトし、推定されたパラメータの不確かさとあいまいさを定量化する。
論文 参考訳（メタデータ） (2023-12-28T13:59:43Z) - A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。
パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文 参考訳（メタデータ） (2023-07-05T16:53:31Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。
導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文 参考訳（メタデータ） (2022-03-15T10:05:43Z) - 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) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳（メタデータ） (2021-09-18T03:05:44Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。