論文の概要: Physics-driven Synthetic Data Learning for Biomedical Magnetic Resonance

• arxiv url: http://arxiv.org/abs/2203.11178v2
• Date: Tue, 22 Mar 2022 03:06:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 10:46:55.431495
• Title: Physics-driven Synthetic Data Learning for Biomedical Magnetic Resonance
• Title（参考訳）: 生体磁気共鳴のための物理駆動合成データ学習
• Authors: Qinqin Yang, Zi Wang, Kunyuan Guo, Congbo Cai, Xiaobo Qu
• Abstract要約: 物理に基づく画像データ合成(IPADS)は、生医学的磁気共鳴の膨大なトレーニングデータを提供することができる。 IPADSは、微分方程式や分析ソリューションモデルから信号を生成し、学習をよりスケーラブルに、説明しやすく、プライバシーを保護します。
• 参考スコア（独自算出の注目度）: 29.338413545265364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has innovated the field of computational imaging. One of its bottlenecks is unavailable or insufficient training data. This article reviews an emerging paradigm, imaging physics-based data synthesis (IPADS), that can provide huge training data in biomedical magnetic resonance without or with few real data. Following the physical law of magnetic resonance, IPADS generates signals from differential equations or analytical solution models, making the learning more scalable, explainable, and better protecting privacy. Key components of IPADS learning, including signal generation models, basic deep learning network structures, enhanced data generation, and learning methods are discussed. Great potentials of IPADS have been demonstrated by representative applications in fast imaging, ultrafast signal reconstruction and accurate parameter quantification. Finally, open questions and future work have been discussed.
• Abstract（参考訳）: ディープラーニングは計算イメージングの分野を革新した。 そのボトルネックの1つは、利用できない、あるいは不十分なトレーニングデータである。 本稿では,バイオメディカル磁気共鳴における膨大なトレーニングデータを提供する,物理に基づく画像データ合成(IPADS)の新たなパラダイムを概観する。 磁気共鳴の物理法則に従って、IPADSは微分方程式や解析解モデルから信号を生成し、学習をよりスケーラブルで説明可能で、プライバシーを保護できる。 信号生成モデル,基本深層学習ネットワーク構造,データ生成の強化,学習方法など,IPADS学習の重要な要素について論じる。 IPADSの大きなポテンシャルは、高速イメージング、超高速信号再構成、正確なパラメータ定量化における代表的応用によって実証されている。 最後に,オープン質問と今後の課題について論じた。

関連論文リスト

• Understanding Auditory Evoked Brain Signal via Physics-informed Embedding Network with Multi-Task Transformer [3.261870217889503]
  マルチタスク変換器(PEMT-Net)を用いた物理インフォームド・エンベディング・ネットワークという,革新的なマルチタスク学習モデルを提案する。 PEMT-Netは物理インフォームド埋め込みとディープラーニング技術によりデコード性能を向上させる。 特定のデータセットに対する実験は、PEMT-Netがマルチタスクの聴覚信号復号における顕著な性能を示した。
  論文  参考訳（メタデータ） (2024-06-04T06:53:32Z)
• ML-ASPA: A Contemplation of Machine Learning-based Acoustic Signal Processing Analysis for Sounds, & Strains Emerging Technology [0.0]
  本稿では,機械学習(ML)とディープラーニングに焦点をあてて,音響分野における最近の進歩と変革の可能性を探る。 MLはデータ駆動のアプローチを採用し、機能と望ましいラベルやアクション、さらには機能自体の複雑な関係を明らかにする。 機械学習のトレーニングデータの拡張への応用により、人間の発話や残響のような複雑な音響現象を解明するモデルが発見される。
  論文  参考訳（メタデータ） (2023-12-18T03:04:42Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Physics-Driven Deep Learning for Computational Magnetic Resonance Imaging [7.404599356384102]
  物理駆動型深層学習法は、MRI(Computer magnetic resonance imaging)問題のための強力なツールとして登場した。 本稿では、物理情報を学習型MRI再構成に組み込んだ最近の進歩の概要について述べる。
  論文  参考訳（メタデータ） (2022-03-23T06:04:11Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• EEG to fMRI Synthesis: Is Deep Learning a candidate? [0.913755431537592]
  この研究は、脳波(EEG)ビューデータからfMRIデータを合成するために、Neural Processingから最先端の原理を使用する方法について、初めて包括的な情報を提供する。 オートエンコーダ,ジェネレータネットワーク,ペアワイズラーニングなど,最先端の合成手法の比較を行った。 結果は、fMRI脳画像マッピングに対する脳波の実現可能性を強調し、機械学習における現在の進歩の役割を指摘し、パフォーマンスをさらに向上するために、今後のコントリビューションの関連性を示す。
  論文  参考訳（メタデータ） (2020-09-29T16:29:20Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。