論文の概要: Denoising neural networks for magnetic resonance spectroscopy

• arxiv url: http://arxiv.org/abs/2211.00080v1
• Date: Mon, 31 Oct 2022 18:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 15:02:41.501441
• Title: Denoising neural networks for magnetic resonance spectroscopy
• Title（参考訳）: 磁気共鳴分光法のためのデノイジングニューラルネットワーク
• Authors: Natalie Klein, Amber J. Day, Harris Mason, Michael W. Malone, Sinead A. Williamson
• Abstract要約: 多くの科学的応用において、測定された時系列はノイズや歪みによって破壊される。 本研究では,Deep Learning-based denoising法が従来の手法より優れていることを示す。 我々のモチベーションの例としては磁気共鳴分光法があり、これは短周期低振幅の電波信号の存在を検出することが主目的である。
• 参考スコア（独自算出の注目度）: 2.397411219508639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many scientific applications, measured time series are corrupted by noise or distortions. Traditional denoising techniques often fail to recover the signal of interest, particularly when the signal-to-noise ratio is low or when certain assumptions on the signal and noise are violated. In this work, we demonstrate that deep learning-based denoising methods can outperform traditional techniques while exhibiting greater robustness to variation in noise and signal characteristics. Our motivating example is magnetic resonance spectroscopy, in which a primary goal is to detect the presence of short-duration, low-amplitude radio frequency signals that are often obscured by strong interference that can be difficult to separate from the signal using traditional methods. We explore various deep learning architecture choices to capture the inherently complex-valued nature of magnetic resonance signals. On both synthetic and experimental data, we show that our deep learning-based approaches can exceed performance of traditional techniques, providing a powerful new class of methods for analysis of scientific time series data.
• Abstract（参考訳）: 多くの科学的応用において、測定された時系列はノイズや歪みによって崩壊する。 特に信号対雑音比が低かったり、信号と雑音の特定の仮定が破られたりする場合には、従来のノイズ除去技術は、興味のある信号の回復に失敗する。 本研究では,雑音や信号特性の変動に強いロバスト性を示しながら,ディープラーニングに基づくDenoising法が従来の手法より優れていることを示す。 我々のモチベーションの例としては磁気共鳴分光法があり、従来の方法では分離が難しい強い干渉によってしばしば無視される短周期低振幅の電波信号の存在を検出することが主な目的である。 我々は、磁気共鳴信号の本質的に複雑な性質を捉えるための様々なディープラーニングアーキテクチャ選択について検討する。 合成データと実験データの両方において,我々の深層学習に基づくアプローチが従来の手法の性能を上回ることを示し,科学的時系列データ分析のための強力な新しい手法を提供する。

関連論文リスト

• Underwater Acoustic Signal Recognition Based on Salient Feature [9.110359213246825]
  本稿では,水中音響信号認識のためのニューラルネットワークを用いた手法を提案する。 提案手法は,水中音響信号の分類のためのスペクトルから抽出した特徴を連続的に学習することを含む。
  論文  参考訳（メタデータ） (2023-12-20T16:04:02Z)
• Spatio-temporal correlations of noise in MOS spin qubits [0.2981781876202281]
  我々は、周波数成分と時間成分の両方に信号を分解して、システム内のノイズ源についてより深い知見を得る方法を示す。 一対のSiMOS量子ドットにおける最先端2量子ビットシステム上での長いフィードバック実験に本解析を適用した。
  論文  参考訳（メタデータ） (2023-09-21T23:45:14Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• RRCNN: A novel signal decomposition approach based on recurrent residue convolutional neural network [7.5123109191537205]
  本稿では,ディープラーニングの枠組みに基づく非定常信号分解手法を提案する。 我々は、畳み込みニューラルネットワーク、残留構造、非線形活性化関数を用いて、信号の局所平均を革新的な方法で計算する。 実験では,局所的な平均値の計算と信号分解の2点から提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-07-04T13:53:01Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Digital noise spectroscopy with a quantum sensor [57.53000001488777]
  本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。 ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。 ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
  論文  参考訳（メタデータ） (2022-12-19T02:19:35Z)
• Weak-signal extraction enabled by deep-neural-network denoising of diffraction data [26.36525764239897]
  深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。 ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-19T14:43:01Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Unsupervised Image Denoising with Frequency Domain Knowledge [2.834895018689047]
  教師付き学習ベースの手法は頑健な復調結果をもたらすが、大規模データセットの必要性により本質的に制限されている。 本研究では,周波数に敏感な非教師付き復調法を提案する。 自然および合成データセットを用いた結果から, 周波数情報で拡張した教師なし学習手法が, 最先端の遮音性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T07:41:32Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Frequency fluctuations of ferromagnetic resonances at milliKelvin temperatures [50.591267188664666]
  ノイズはデバイスの性能、特に量子コヒーレント回路に有害である。 最近の研究は、超伝導量子ビットへの単一のマグノンをベースとした量子技術にマグノンシステムを活用するためのルートを実証している。 時間的挙動を研究することは、基礎となるノイズ源を特定するのに役立つ。
  論文  参考訳（メタデータ） (2021-07-14T08:00:37Z)

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。