論文の概要: Spherical convolutional neural networks can improve brain microstructure
estimation from diffusion MRI data
- arxiv url: http://arxiv.org/abs/2211.09887v3
- Date: Mon, 26 Feb 2024 09:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 04:27:42.089142
- Title: Spherical convolutional neural networks can improve brain microstructure
estimation from diffusion MRI data
- Title(参考訳): 球状畳み込みニューラルネットワークは拡散MRIデータから脳の微細構造推定を改善する
- Authors: Leevi Kerkel\"a, Kiran Seunarine, Filip Szczepankiewicz, and Chris A.
Clark
- Abstract要約: 拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。
測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。
我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
- 参考スコア(独自算出の注目度): 0.35998666903987897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion magnetic resonance imaging is sensitive to the microstructural
properties of brain tissue. However, estimating clinically and scientifically
relevant microstructural properties from the measured signals remains a highly
challenging inverse problem that machine learning may help solve. This study
investigated if recently developed rotationally invariant spherical
convolutional neural networks can improve microstructural parameter estimation.
We trained a spherical convolutional neural network to predict the ground-truth
parameter values from efficiently simulated noisy data and applied the trained
network to imaging data acquired in a clinical setting to generate
microstructural parameter maps. Our network performed better than the spherical
mean technique and multi-layer perceptron, achieving higher prediction accuracy
than the spherical mean technique with less rotational variance than the
multi-layer perceptron. Although we focused on a constrained two-compartment
model of neuronal tissue, the network and training pipeline are generalizable
and can be used to estimate the parameters of any Gaussian compartment model.
To highlight this, we also trained the network to predict the parameters of a
three-compartment model that enables the estimation of apparent neural soma
density using tensor-valued diffusion encoding.
- Abstract(参考訳): 拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。
しかし、測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決する上で非常に困難な逆問題である。
本研究では,最近開発した回転不変球形畳み込みニューラルネットワークが,構造パラメータ推定を改善するかどうかについて検討した。
本研究では, 球形畳み込みニューラルネットワークを訓練し, 効果的にシミュレーションされた雑音データから地盤パラメータ値を予測し, 臨床で得られた画像データに適用し, ミクロ構造パラメータマップを生成する。
ネットワークは球面平均法や多層パーセプトロンよりも優れており,多層パーセプトロンよりも回転ばらつきの少ない球面平均法よりも高い予測精度を実現している。
神経組織の拘束的2成分モデルに着目したが,ネットワークとトレーニングパイプラインは一般化可能であり,任意のガウスコンパートメントモデルのパラメータを推定することができる。
これを強調するために,テンソル値拡散符号化を用いた視神経ソマ密度の推定を可能にする3成分モデルのパラメータを予測できるようにネットワークを訓練した。
関連論文リスト
- Optimal rates of approximation by shallow ReLU$^k$ neural networks and
applications to nonparametric regression [12.21422686958087]
本研究では、浅いReLU$k$のニューラルネットワークに対応する変動空間の近似能力について検討する。
滑らかさの低い関数に対しては、変動ノルムの観点から近似率が確立される。
浅層ニューラルネットワークは,H"古い関数の学習に最適な最小値が得られることを示す。
論文 参考訳(メタデータ) (2023-04-04T06:35:02Z) - Dense Hebbian neural networks: a replica symmetric picture of supervised
learning [4.133728123207142]
我々は教師が指導する高密度で連想的なニューラルネットについて検討する。
スピングラスの統計力学およびモンテカルロシミュレーションによる数値計算能力の解析を行った。
論文 参考訳(メタデータ) (2022-11-25T13:37:47Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - How can spherical CNNs benefit ML-based diffusion MRI parameter
estimation? [2.4417196796959906]
球状畳み込みニューラルネットワーク(S-CNN)は、従来の完全連結ネットワーク(FCN)に対して明確な優位性を提供する
拡散強調画像(DWI)のみからなるdMRIデータを取得する現況
論文 参考訳(メタデータ) (2022-07-01T17:49:26Z) - Scale-Equivariant Unrolled Neural Networks for Data-Efficient
Accelerated MRI Reconstruction [33.82162420709648]
本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。
我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
論文 参考訳(メタデータ) (2022-04-21T23:29:52Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Estimation of the Mean Function of Functional Data via Deep Neural
Networks [6.230751621285321]
関数データに対して非パラメトリック回帰を行うディープニューラルネットワーク手法を提案する。
本手法は,アルツハイマー病患者における陽電子放出トモグラフィ画像の解析に用いる。
論文 参考訳(メタデータ) (2020-12-08T17:18:16Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳(メタデータ) (2020-07-03T01:37:16Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。