論文の概要: Deep Q-learning of global optimizer of multiply model parameters for viscoelastic imaging

• arxiv url: http://arxiv.org/abs/2204.01844v1
• Date: Fri, 1 Apr 2022 03:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:04:38.748424
• Title: Deep Q-learning of global optimizer of multiply model parameters for viscoelastic imaging
• Title（参考訳）: 粘弾性イメージングのための多重モデルパラメータのグローバルオプティマイザの深いq学習
• Authors: Hongmei Zhang (1), Kai Wang (1), Yan Zhou (1), Shadab Momin (2), Xiaofeng Yang (2), Mostafa Fatemi (3), Michael F. Insana (4) ((1) Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University (2) Emory University Winship Cancer Institute, Department of Radiation Oncology, Emory University (3) Mayo Clinic Department of Physiology and Biomedical Engineering, Mayo Clinic (4) Beckman Institute for Advanced Science and Technology, Department of Bioengineering, University of Illinois at Urbana-Champaign)
• Abstract要約: 目的関数の非凸性を考えると、異なる局所ミニマを避けることは困難である。 まず,大域的探索乗算パラメータをkD移動に乗じてパラメトリック決定を定式化する。 パラメータ設定による大域的モデルパラメータに対する新しい深部Qaction法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: Estimation of the global optima of multiple model parameters is valuable in imaging to form a reliable diagnostic image. Given non convexity of the objective function, it is challenging to avoid from different local minima. Methods: We first formulate the global searching of multiply parameters to be a k-D move in the parametric space, and convert parameters updating to be state-action decision-making problem. We proposed a novel Deep Q-learning of Model Parameters (DQMP) method for global optimization of model parameters by updating the parameter configurations through actions that maximize a Q-value, which employs a Deep Reward Network designed to learn global reward values from both visible curve fitting errors and hidden parameter errors. Results: The DQMP method was evaluated by viscoelastic imaging on soft matter by Kelvin-Voigt fractional derivative (KVFD) modeling. In comparison to other methods, imaging of parameters by DQMP yielded the smallest errors (< 2%) to the ground truth images. DQMP was applied to viscoelastic imaging on biological tissues, which indicated a great potential of imaging on physical parameters in diagnostic applications. Conclusions: DQMP method is able to achieve global optima, yielding accurate model parameter estimates in viscoelastic imaging. Assessment of DQMP by simulation imaging and ultrasound breast imaging demonstrated the consistency, reliability of the imaged parameters, and powerful global searching ability of DQMP. Significance: DQMP method is promising for imaging of multiple parameters, and can be generalized to global optimization for many other complex nonconvex functions and imaging of physical parameters.
• Abstract（参考訳）: 目的: 複数のモデルパラメータのグローバルオプティマの推定は、信頼できる診断画像を形成するのに有用である。 目的関数の非凸性を考えると、異なる局所ミニマを避けることは困難である。 方法:まずパラメトリック空間におけるk-D移動の乗算パラメータのグローバル探索を定式化し,パラメータの更新を状態対応決定問題に変換する。 本研究では,Q値を最大化する動作を通じてパラメータ設定を更新することにより,モデルパラメータを大域的に最適化するDQMP(Deep Q-learning of Model Parameters)手法を提案する。 結果: DQMP法はケルビン・ヴォイグト分数微分(KVFD)モデルにより軟質物質の粘弾性イメージングにより評価された。 他の手法と比較して、DQMPによるパラメータのイメージングは、基底真理画像に対して最小の誤差 ( 2%) を得た。 dqmpは生体組織の粘弾性イメージングに応用され,診断における物理パラメータのイメージングの可能性が示唆された。 結論: DQMP法は, 粘弾性イメージングにおいて, 高精度なモデルパラメータ推定を行うことができる。 超音波乳房画像によるDQMPの評価では, 画像パラメータの整合性, 信頼性, DQMPの強力なグローバル検索能力が示された。 意義: DQMP法は複数のパラメータのイメージングに有効であり、他の多くの複雑な非凸関数のグローバル最適化や物理パラメータのイメージングに一般化することができる。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Auto-weighted Bayesian Physics-Informed Neural Networks and robust estimations for multitask inverse problems in pore-scale imaging of dissolution [0.0]
  細孔画像における新しいデータ同化戦略を提案する。 これにより、不確実性量子化を取り入れた反応性逆問題に頑健に対処できることを実証する。
  論文  参考訳（メタデータ） (2023-08-24T15:39:01Z)
• Reverse Engineering Breast MRIs: Predicting Acquisition Parameters Directly from Images [1.256413718364189]
  本稿では,MR画像生成に使用する複雑なIAPを,画像のみを用いて高精度に予測するニューラルネットワークモデルを提案する。 コントラストエージェントタイプのような難しいパラメータでさえ、精度良く予測できる。
  論文  参考訳（メタデータ） (2023-03-08T22:02:15Z)
• PyMAF-X: Towards Well-aligned Full-body Model Regression from Monocular Images [60.33197938330409]
  PyMAF-Xは、モノクロ画像からパラメトリックフルボディモデルを復元するための回帰ベースのアプローチである。 PyMAFとPyMAF-Xは、メッシュイメージアライメントを効果的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-07-13T17:58:33Z)
• 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)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Spatially-Variant CNN-based Point Spread Function Estimation for Blind Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
  薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。 畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。 本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
  論文  参考訳（メタデータ） (2020-10-08T14:20:16Z)
• PaMIR: Parametric Model-Conditioned Implicit Representation for Image-based Human Reconstruction [67.08350202974434]
  本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。 本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-08T02:26:19Z)

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。