論文の概要: Deep Decomposition for Stochastic Normal-Abnormal Transport
- arxiv url: http://arxiv.org/abs/2111.14777v1
- Date: Mon, 29 Nov 2021 18:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:33:53.035143
- Title: Deep Decomposition for Stochastic Normal-Abnormal Transport
- Title（参考訳）: 確率的正常-異常輸送のための深部分解
- Authors: Peirong Liu, Yueh Lee, Stephen Aylward, Marc Niethammer
- Abstract要約: 対流拡散方程式は、流体の流れ、熱伝達、風輸送など、多くの自然輸送過程を記述している。
本研究では,2D/3D画像の時系列を駆動する速度場と拡散場を予測する機械学習モデルDSONATA2を開発した。
特に,本モデルでは,期待される正常輸送挙動と観測された輸送の異常な差異を分離する輸送非定型性をモデル化した。
- 参考スコア（独自算出の注目度）: 13.171464781844609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advection-diffusion equations describe a large family of natural transport
processes, e.g., fluid flow, heat transfer, and wind transport. They are also
used for optical flow and perfusion imaging computations. We develop a machine
learning model, D^2-SONATA, built upon a stochastic advection-diffusion
equation, which predicts the velocity and diffusion fields that drive 2D/3D
image time-series of transport. In particular, our proposed model incorporates
a model of transport atypicality, which isolates abnormal differences between
expected normal transport behavior and the observed transport. In a medical
context such a normal-abnormal decomposition can be used, for example, to
quantify pathologies. Specifically, our model identifies the advection and
diffusion contributions from the transport time-series and simultaneously
predicts an anomaly value field to provide a decomposition into normal and
abnormal advection and diffusion behavior. To achieve improved estimation
performance for the velocity and diffusion-tensor fields underlying the
advection-diffusion process and for the estimation of the anomaly fields, we
create a 2D/3D anomaly-encoded advection-diffusion simulator, which allows for
supervised learning. We further apply our model on a brain perfusion dataset
from ischemic stroke patients via transfer learning. Extensive comparisons
demonstrate that our model successfully distinguishes stroke lesions (abnormal)
from normal brain regions, while reconstructing the underlying velocity and
diffusion tensor fields.
- Abstract（参考訳）: 対流拡散方程式は、流体の流れ、熱伝達、風輸送など、多くの自然輸送過程を記述している。
また、光学的流れや灌流画像計算にも用いられる。
2d/3d画像の時系列移動を駆動する速度場と拡散場を予測する確率的アドベクション・ディフフュージョン方程式に基づく機械学習モデルd^2-sonataを開発した。
特に,本モデルでは,期待される正常輸送挙動と観測された輸送の異常な差異を分離する輸送非定型性をモデル化した。
医学的な文脈では、そのような正常な異常な分解は、例えば病理を定量化するために用いられる。
具体的には,輸送時系列からの対流と拡散の寄与を同定し,異常値場を同時に予測し,正規および異常な対流と拡散の挙動を分解する。
適応拡散過程に基づく速度・拡散テンソル場の推定性能の向上と異常場の推定のために,教師あり学習が可能な2D/3D異常符号化型対流拡散シミュレータを作成する。
さらに,脳卒中患者の脳灌流データセットにトランスファーラーニングを用いたモデルを適用した。
本モデルでは,脳卒中病変と正常脳領域との鑑別に成功し,基礎となる速度と拡散テンソル場を再構成した。
関連論文リスト
- Solving Prior Distribution Mismatch in Diffusion Models via Optimal Transport [24.90486913773359]
近年,拡散モデル(DM)に関する知識は著しく増大しているが,いくつかの理論的なギャップが残っている。
本稿では、最適輸送(OT)理論と離散初期分布を持つDMとの深い関係について検討する。
拡散終了時間が増加するにつれて、確率フローは古典モンジュ・アンペア方程式の解の勾配に指数関数的に収束する。
論文 参考訳（メタデータ） (2024-10-17T10:54:55Z) - G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。
我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文 参考訳（メタデータ） (2024-10-09T06:18:25Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Renormalizing Diffusion Models [0.7252027234425334]
拡散モデルを用いて、統計および量子場理論の逆再正規化群フローを学習する。
我々の研究は、多スケール拡散モデルの解釈を提供し、新しい性質を持つべき拡散モデルに対する物理的に着想を得た提案を与える。
論文 参考訳（メタデータ） (2023-08-23T18:02:31Z) - Exploring the Optimal Choice for Generative Processes in Diffusion
Models: Ordinary vs Stochastic Differential Equations [6.2284442126065525]
ゼロ拡散(ODE)の場合と大きな拡散の場合の2つの制限シナリオについて数学的に検討する。
その結果, 生成過程の終端に摂動が発生すると, ODEモデルは大きな拡散係数でSDEモデルより優れることがわかった。
論文 参考訳（メタデータ） (2023-06-03T09:27:15Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳（メタデータ） (2022-12-14T17:26:35Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:53:52Z) - Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳（メタデータ） (2022-09-10T22:00:30Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳（メタデータ） (2022-03-11T10:47:16Z) - Discovering Hidden Physics Behind Transport Dynamics [26.241612160305756]
対流拡散方程式はこれらの輸送現象を記述するために広く用いられる。
我々の目標は、速度と拡散テンソル場として表される対流拡散方程式の基礎物理学を推定することである。
本稿では,2次元と3次元の画像時系列間の自動エンコーダ構造に基づく学習フレームワーク(YETI)を提案する。
論文 参考訳（メタデータ） (2020-11-24T17:19:25Z)
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。