論文の概要: Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning
- arxiv url: http://arxiv.org/abs/2210.02349v1
- Date: Wed, 5 Oct 2022 15:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:41:52.758815
- Title: Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning
- Title（参考訳）: 自己監督機械学習による拡散緩和MRIデータへの方向構造モデルの適用
- Authors: Jason P. Lim and Stefano B. Blumberg and Neil Narayan and Sean C.
Epstein and Daniel C. Alexander and Marco Palombo and Paddy J. Slator
- Abstract要約: 教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。
本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。
提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
- 参考スコア（独自算出の注目度）: 2.8167227950959206
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning is a powerful approach for fitting microstructural models to
diffusion MRI data. Early machine learning microstructure imaging
implementations trained regressors to estimate model parameters in a supervised
way, using synthetic training data with known ground truth. However, a drawback
of this approach is that the choice of training data impacts fitted parameter
values. Self-supervised learning is emerging as an attractive alternative to
supervised learning in this context. Thus far, both supervised and
self-supervised learning have typically been applied to isotropic models, such
as intravoxel incoherent motion (IVIM), as opposed to models where the
directionality of anisotropic structures is also estimated. In this paper, we
demonstrate self-supervised machine learning model fitting for a directional
microstructural model. In particular, we fit a combined T1-ball-stick model to
the multidimensional diffusion (MUDI) challenge diffusion-relaxation dataset.
Our self-supervised approach shows clear improvements in parameter estimation
and computational time, for both simulated and in-vivo brain data, compared to
standard non-linear least squares fitting. Code for the artificial neural net
constructed for this study is available for public use from the following
GitHub repository: https://github.com/jplte/deep-T1-ball-stick
- Abstract（参考訳）: 機械学習は、微細構造モデルを拡散MRIデータに適用するための強力なアプローチである。
初期の機械学習マイクロ構造イメージングの実装は、既知の基底真理を持つ合成トレーニングデータを用いて、回帰器を訓練し、モデルパラメータを教師付き方法で推定した。
しかしながら、このアプローチの欠点は、トレーニングデータの選択がパラメータ値に適合することにある。
自己指導型学習は、この文脈における教師付き学習の魅力的な代替手段として現れつつある。
これまで、教師付き学習と自己教師型学習の両方が、異方性構造の方向性を推定するモデルとは対照的に、ボクセル内不整合運動(IVIM)のような等方性モデルに適用されてきた。
本稿では,方向性マイクロ構造モデルに適した自己教師あり機械学習モデルを提案する。
特に,多次元拡散(MUDI)課題拡散緩和データセットにT1-ball-stickモデルを組み合わせる。
自己教師あり手法は, 標準の非線形最小二乗法と比較して, シミュレーションデータと生体内データの両方において, パラメータ推定と計算時間は明らかに改善している。
この研究のために構築された人工ニューラルネットのコードは、次のgithubリポジトリから一般に利用可能である。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳（メタデータ） (2024-10-30T17:20:10Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳（メタデータ） (2024-01-09T11:54:54Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳（メタデータ） (2023-10-22T23:56:19Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - 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) - Training Structured Mechanical Models by Minimizing Discrete
Euler-Lagrange Residual [36.52097893036073]
structured mechanical models (smms) は、機械システムのデータ効率の良いブラックボックスパラメータ化である。
離散オイラーラグランジュ残差を最小化することにより,SMMをデータに適用する手法を提案する。
実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
論文 参考訳（メタデータ） (2021-05-05T00:44:01Z) - Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。
我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
論文 参考訳（メタデータ） (2020-11-17T16:24:10Z) - A machine learning based plasticity model using proper orthogonal
decomposition [0.0]
データ駆動の物質モデルは、古典的な数値的アプローチよりも多くの利点がある。
データ駆動型マテリアルモデルを開発する1つのアプローチは、機械学習ツールを使用することである。
弾性と塑性の両面において,機械学習に基づく材料モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-07T15:46:16Z)
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。