論文の概要: MR-Based Electrical Property Reconstruction Using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2210.12584v1
• Date: Sun, 23 Oct 2022 00:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 22:01:34.717616
• Title: MR-Based Electrical Property Reconstruction Using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームニューラルネットワークを用いたMRによる電気的特性再構成
• Authors: Xinling Yu, Jos\'e E. C. Serrall\'es, Ilias I. Giannakopoulos, Ziyue Liu, Luca Daniel, Riccardo Lattanzi, Zheng Zhang
• Abstract要約: 電気的性質(EP)は、電磁波と生体組織の間の相互作用を規定する。 EPは、がんなどの病理学的特徴の潜在的なバイオマーカーとなり、治療のモダリティを改善することができる。 MR-EPT(MR-based electrical properties tomography)は、MR測定を用いてEPマップを再構成する。
• 参考スコア（独自算出の注目度）: 13.395309039582916
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrical properties (EP), namely permittivity and electric conductivity, dictate the interactions between electromagnetic waves and biological tissue. EP can be potential biomarkers for pathology characterization, such as cancer, and improve therapeutic modalities, such radiofrequency hyperthermia and ablation. MR-based electrical properties tomography (MR-EPT) uses MR measurements to reconstruct the EP maps. Using the homogeneous Helmholtz equation, EP can be directly computed through calculations of second order spatial derivatives of the measured magnetic transmit or receive fields $(B_{1}^{+}, B_{1}^{-})$. However, the numerical approximation of derivatives leads to noise amplifications in the measurements and thus erroneous reconstructions. Recently, a noise-robust supervised learning-based method (DL-EPT) was introduced for EP reconstruction. However, the pattern-matching nature of such network does not allow it to generalize for new samples since the network's training is done on a limited number of simulated data. In this work, we leverage recent developments on physics-informed deep learning to solve the Helmholtz equation for the EP reconstruction. We develop deep neural network (NN) algorithms that are constrained by the Helmholtz equation to effectively de-noise the $B_{1}^{+}$ measurements and reconstruct EP directly at an arbitrarily high spatial resolution without requiring any known $B_{1}^{+}$ and EP distribution pairs.
• Abstract（参考訳）: 電気的性質、すなわち誘電率と導電性は、電磁波と生体組織の間の相互作用を規定する。 EPは、がんなどの病理学的特徴の潜在的なバイオマーカーとなり、高周波過熱症やアブレーションのような治療モダリティを改善することができる。 MR-EPT(MR-based electrical properties tomography)は、MR測定を用いてEPマップを再構成する。 等質ヘルムホルツ方程式を用いて、EPは測定された磁気伝達の2階空間微分の計算や受信場$(B_{1}^{+}, B_{1}^{-})$の計算により直接計算することができる。 しかし, 微分の数値近似は, 測定値の雑音増幅を招き, 誤った再構成を行う。 近年,EP再建のためのノイズロスト型教師あり学習法 (DL-EPT) が導入された。 しかしながら、そのようなネットワークのパターンマッチングの性質は、ネットワークのトレーニングが限られた数のシミュレーションデータで行われているため、新しいサンプルの一般化を許さない。 本研究では,物理インフォームドディープラーニングの最近の発展を活用して,EP再構成のためのヘルムホルツ方程式を解く。 我々は,Helmholtz方程式で制約されたディープニューラルネットワーク(NN)アルゴリズムを開発し,実測値であるB_{1}^{+}$を効果的に分解し,任意の高空間分解能でEPを直接再構成する。

関連論文リスト

• Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
  生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。 本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。 これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
  論文  参考訳（メタデータ） (2024-11-10T12:40:33Z)
• Physics-informed generative neural networks for RF propagation prediction with application to indoor body perception [2.679900758407988]
  本稿では,人の動きがEMフィールドに与える影響を再現するために訓練された変分自動エンコーダ(VAE)モデルについて述べる。 提案する物理インフォームド生成ニューラルネットワークモデルは、古典的回折に基づくEMツールとフルウェーブEMボディシミュレーションの両方に対して検証される。
  論文  参考訳（メタデータ） (2024-05-03T14:35:02Z)
• Gaussian-process-regression-based method for the localization of exceptional points in complex resonance spectra [0.0]
  ガウス過程回帰(GPR)に基づく例外点探索のための効率的な機械学習アルゴリズムを提案する。 GPRに基づく手法は, 単純な低次元行列モデルを用いて開発, 試験を行い, 挑戦的な実数系に適用する。
  論文  参考訳（メタデータ） (2024-02-07T09:03:26Z)
• Neural Spherical Harmonics for structurally coherent continuous representation of diffusion MRI signal [0.3277163122167433]
  本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。 現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。 我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-16T08:28:01Z)
• PIFON-EPT: MR-Based Electrical Property Tomography Using Physics-Informed Fourier Networks [12.441572276916567]
  電気特性(EP)トモグラフィ(PIFON-EPT)のための物理インフォームドフーリエネットワークを提案する。 PIFON-EPTは、ノイズおよび/または不完全磁気共鳴(MR)測定を用いたEP再構成のための新しい深層学習法である。
  論文  参考訳（メタデータ） (2023-02-23T09:42:21Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• 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)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Continual Weight Updates and Convolutional Architectures for Equilibrium Propagation [69.87491240509485]
  Equilibrium Propagation (EP)は、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)に対する生物学的にインスパイアされた代替アルゴリズムである。 本稿では,方程式の簡易化,学習の高速化,CNNへのEP拡張を可能にするEPの離散時間定式化を提案する。 我々のCNNモデルは、EPでMNISTで報告された最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-29T12:14:06Z)

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。