論文の概要: Uncertainty-Aware Self-supervised Neural Network for Liver $T_{1\rho}$
Mapping with Relaxation Constraint
- arxiv url: http://arxiv.org/abs/2207.03105v1
- Date: Thu, 7 Jul 2022 06:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 01:01:02.904734
- Title: Uncertainty-Aware Self-supervised Neural Network for Liver $T_{1\rho}$
Mapping with Relaxation Constraint
- Title(参考訳): 不確実性を考慮した肝臓自己教師付きニューラルネットワーク$t_{1\rho}$マッピングと緩和制約
- Authors: Chaoxing Huang, Yurui Qian, Simon Chun Ho Yu, Jian Hou, Baiyan Jiang,
Queenie Chan, Vincent Wai-Sun Wong, Winnie Chiu-Wing Chu, Weitian Chen
- Abstract要約: 学習ベースのアプローチでは、T_1rho$の削減された画像から$T_1rho$をマッピングすることができる。
既存の方法は$T_1rho$推定の信頼レベルを提供しない。
本稿では,学習過程における緩和制約を用いてT_1rho$マッピングを学習する自己教師型学習ニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 2.0131108402156146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: $T_{1\rho}$ mapping is a promising quantitative MRI technique for the
non-invasive assessment of tissue properties. Learning-based approaches can map
$T_{1\rho}$ from a reduced number of $T_{1\rho}$ weighted images, but requires
significant amounts of high quality training data. Moreover, existing methods
do not provide the confidence level of the $T_{1\rho}$ estimation. To address
these problems, we proposed a self-supervised learning neural network that
learns a $T_{1\rho}$ mapping using the relaxation constraint in the learning
process. Epistemic uncertainty and aleatoric uncertainty are modelled for the
$T_{1\rho}$ quantification network to provide a Bayesian confidence estimation
of the $T_{1\rho}$ mapping. The uncertainty estimation can also regularize the
model to prevent it from learning imperfect data. We conducted experiments on
$T_{1\rho}$ data collected from 52 patients with non-alcoholic fatty liver
disease. The results showed that our method outperformed the existing methods
for $T_{1\rho}$ quantification of the liver using as few as two
$T_{1\rho}$-weighted images. Our uncertainty estimation provided a feasible way
of modelling the confidence of the self-supervised learning based $T_{1\rho}$
estimation, which is consistent with the reality in liver $T_{1\rho}$ imaging.
- Abstract(参考訳): $T_{1\rho}$ mappingは、組織特性の非侵襲的評価のための有望な定量的MRI技術である。
学習ベースのアプローチは、$t_{1\rho}$の減った画像から$t_{1\rho}$をマッピングできるが、大量の高品質なトレーニングデータを必要とする。
さらに、既存のメソッドは$T_{1\rho}$推定の信頼レベルを提供しない。
これらの問題に対処するために,学習過程における緩和制約を用いてT_{1\rho}$マッピングを学習する自己教師型学習ニューラルネットワークを提案した。
エピステマ性不確実性とアレタリック不確実性は、$T_{1\rho}$ マッピングのベイズ的信頼度推定を提供するために$T_{1\rho}$量子化ネットワークのためにモデル化される。
不確実性推定は、モデルが不完全なデータを学習しないように規則化することもできる。
非アルコール性脂肪性肝疾患52例のT_{1\rho}$データについて実験を行った。
以上の結果から, 肝臓の定量化には, わずか2例の$t_{1\rho}$-weighted画像を用い, 既存の方法よりも優れていた。
我々の不確実性推定は、自己教師型学習に基づく$T_{1\rho}$推定の信頼性をモデル化する実現可能な方法を提供し、肝臓の$T_{1\rho}$イメージングの現実と一致した。
関連論文リスト
- Active Subsampling for Measurement-Constrained M-Estimation of Individualized Thresholds with High-Dimensional Data [3.1138411427556445]
測定制約のある問題では、大きなデータセットが利用可能であるにもかかわらず、大きなデータセットのごく一部でラベルを観測するのに手頃な価格にしかならない。
このことは、どのデータポイントが予算制約のあるラベルに最も有益であるかという重要な疑問を引き起こします。
本稿では,測定制約付きM推定フレームワークにおける最適個別化しきい値の推定に焦点をあてる。
論文 参考訳(メタデータ) (2024-11-21T00:21:17Z) - Transfer Learning for Latent Variable Network Models [18.31057192626801]
潜在変数ネットワークモデルにおける推定のための伝達学習について検討する。
潜伏変数が共有されている場合、エラーの消滅が可能であることを示す。
我々のアルゴリズムは、$o(1)$エラーを達成し、ソースやターゲットネットワーク上でパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2024-06-05T16:33:30Z) - Matching the Statistical Query Lower Bound for k-sparse Parity Problems with Stochastic Gradient Descent [83.85536329832722]
勾配勾配降下(SGD)は,$d$次元ハイパーキューブ上の$k$パリティ問題を効率的に解くことができることを示す。
次に、SGDでトレーニングされたニューラルネットワークがどのようにして、小さな統計的エラーで$k$-parityの問題を解決するかを実証する。
論文 参考訳(メタデータ) (2024-04-18T17:57:53Z) - Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳(メタデータ) (2024-02-08T14:43:56Z) - Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳(メタデータ) (2023-11-03T13:20:11Z) - An Uncertainty Aided Framework for Learning based Liver $T_1\rho$
Mapping and Analysis [0.7087237546722617]
肝の信頼できるマッピングのための学習に基づく定量的MRIシステムを提案する。
このフレームワークは、異なる肝線維症ステージの51人のデータセットでテストされた。
論文 参考訳(メタデータ) (2023-07-06T02:44:32Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Supervised Training of Conditional Monge Maps [107.78770597815242]
最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。
本研究では,コンテキスト変数に条件付きOTマップの族を推定するマルチタスク手法であるCondOTを紹介する。
本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
論文 参考訳(メタデータ) (2022-06-28T19:34:44Z) - Time-Constrained Learning [3.9093825078189006]
5つの異なる学習者と20のデータセットに関する実験的検討を行った。
TCTが他の2つのアルゴリズムを一貫して上回っていることを示す。
私たちの研究は主に実用的ですが、TCTの取り除かれたバージョンが保証されていることも示しています。
論文 参考訳(メタデータ) (2022-02-04T00:15:01Z) - Differentiable Linear Bandit Algorithm [6.849358422233866]
アッパー信頼境界は、線形多腕バンディット問題の最も一般的な方法である。
勾配上昇による信頼度を学習できる勾配推定器を導入する。
提案アルゴリズムは,腕の特徴の次元を$d$で,信頼度を$hatbeta$で学習したサイズを$tildemathcalO(hatbetasqrtdT)$上限とする。
論文 参考訳(メタデータ) (2020-06-04T16:43:55Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳(メタデータ) (2020-05-26T17:53:18Z)
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。