論文の概要: P2T2: a Physically-primed deep-neural-network approach for robust
$T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI
- arxiv url: http://arxiv.org/abs/2212.04928v1
- Date: Thu, 8 Dec 2022 09:20:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 16:14:55.452572
- Title: P2T2: a Physically-primed deep-neural-network approach for robust
$T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI
- Title（参考訳）: p2t2:量的$t_{2}$重み付けmriによるロバストな$t_{2}$分布推定のための物理的素数深層神経ネットワークアプローチ
- Authors: Hadas Ben-Atya and Moti Freiman
- Abstract要約: P2T2モデルは、TE取得アレイを入力として信号減衰の前方モデルを符号化する。
当社のモデルは,買収プロセスにおける分散シフトに対するロバスト性を50%以上改善した。
実人のMRIデータに適用すると、我々のモデルは最も詳細なMyelin-Water分画マップを作成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Estimation of the T2 distribution from multi-echo T2-Weighted MRI (T2W) data
can provide insight into the microscopic content of tissue using macroscopic
imaging. This information can be used as a biomarker for several pathologies,
such as tumor characterization, osteoarthritis, and neurodegenerative diseases.
Recently, deep neural network (DNN) based methods were proposed for T2
distribution estimation from MRI data. However, these methods are highly
sensitive to distribution shifts such as variations in the echo-times (TE) used
during acquisition. Therefore, DNN-based methods cannot be utilized in
large-scale multi-institutional trials with heterogeneous acquisition
protocols. We present P2T2, a new physically-primed DNN approach for T2
distribution estimation that is robust to different acquisition parameters
while maintaining state-of-the-art estimation accuracy. Our P2T2 model encodes
the forward model of the signal decay by taking as input the TE acquisition
array, in addition to the MRI signal, and provides an estimate of the
corresponding T2 distribution as its output. Our P2T2 model has improved the
robustness against distribution shifts in the acquisition process by more than
50% compared to the previously proposed DNN model. When tested without any
distribution shifts, our model achieved about the same accuracy. Finally, when
applied to real human MRI data, our P2T2 model produced the most detailed
Myelin-Water fraction maps compared to both the MIML model and classical
approaches. Our proposed physically-primed approach improved the generalization
capacity of DNN models for T2 distribution estimation and their robustness
against distribution shifts compared to previous approaches without
compromising the accuracy.
- Abstract（参考訳）: マルチエコーT2強調MRI(T2W)データからのT2分布の推定は、マクロ画像を用いた組織の顕微鏡的含量に関する洞察を与えることができる。
この情報は、腫瘍のキャラクタリゼーション、変形性関節症、神経変性疾患などのいくつかの病態のバイオマーカーとして使用できる。
近年,MRIデータからT2分布推定のためのディープニューラルネットワーク(DNN)に基づく手法が提案されている。
しかし、これらの手法は、取得時に使用されるエコー時間(TE)の変化のような分布シフトに非常に敏感である。
したがって、DNNベースの手法は、異種獲得プロトコルを用いた大規模多施設試験では利用できない。
P2T2は、T2分布推定のための新しい物理価格のDNN手法であり、最先端推定精度を維持しつつ、異なる取得パラメータに頑健である。
我々のP2T2モデルは、MRI信号に加えてTE取得アレイを入力として信号減衰の前方モデルを符号化し、対応するT2分布をその出力として推定する。
p2t2モデルは,従来提案していたdnnモデルと比較して,取得プロセスの分散シフトに対するロバスト性が50%以上向上した。
分散シフトを伴わずにテストしたところ、モデルはほぼ同じ精度で達成された。
最後に、実際のヒトMRIデータに適用した場合、我々のP2T2モデルはMIMLモデルと古典的アプローチの両方と比較して、最も詳細なMyelin-Water分画マップを生成した。
提案手法は,t2分布推定のためのdnnモデルの一般化能力と分布シフトに対するロバスト性を改善し,精度を損なうことなく従来の手法と比較した。
関連論文リスト
- Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。
対象はT1データセット(T1-w)50例であった。
ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
論文 参考訳（メタデータ） (2024-06-21T21:22:17Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data [0.0]
深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
論文 参考訳（メタデータ） (2022-08-08T08:22:25Z) - Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas
Using Magnetic Resonance Imaging [24.418025043887678]
階層的分類パラダイムに基づく5つのグリオーマサブタイプ予測のためのDCNNモデルを開発した。
受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。
以上の結果から,開発したDCNNモデルではグリオーマサブタイプを十分な非平衡トレーニングデータで予測できることが示唆された。
論文 参考訳（メタデータ） (2022-03-10T14:46:20Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳（メタデータ） (2022-03-01T17:16:41Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - 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) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。