論文の概要: Resolving quantitative MRI model degeneracy with machine learning via
training data distribution design
- arxiv url: http://arxiv.org/abs/2303.05464v1
- Date: Thu, 9 Mar 2023 18:10:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 13:47:21.345553
- Title: Resolving quantitative MRI model degeneracy with machine learning via
training data distribution design
- Title(参考訳): トレーニングデータ分散設計による機械学習による定量的MRIモデル縮退の解消
- Authors: Michele Guerreri, Sean Epstein, Hojjat Azadbakht, Hui Zhang
- Abstract要約: 定量的MRIは、未知量の組織特性を計測されたMRI信号に関連付けるモデルを介して、非侵襲的に組織特性をマッピングすることを目的としている。
従来モデルフィッティングを必要としていたこれらの未知を推定することは、ワンショット機械学習(ML)アプローチで行えるようになった。
経験的証拠の増大は、MLアプローチがモデル縮退の影響を受けやすいことを示唆しているようである。
- 参考スコア(独自算出の注目度): 2.2086005010186387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative MRI (qMRI) aims to map tissue properties non-invasively via
models that relate these unknown quantities to measured MRI signals. Estimating
these unknowns, which has traditionally required model fitting - an often
iterative procedure, can now be done with one-shot machine learning (ML)
approaches. Such parameter estimation may be complicated by intrinsic qMRI
signal model degeneracy: different combinations of tissue properties produce
the same signal. Despite their many advantages, it remains unclear whether ML
approaches can resolve this issue. Growing empirical evidence appears to
suggest ML approaches remain susceptible to model degeneracy. Here we
demonstrate under the right circumstances ML can address this issue. Inspired
by recent works on the impact of training data distributions on ML-based
parameter estimation, we propose to resolve model degeneracy by designing
training data distributions. We put forward a classification of model
degeneracies and identify one particular kind of degeneracies amenable to the
proposed attack. The strategy is demonstrated successfully using the Revised
NODDI model with standard multi-shell diffusion MRI data as an exemplar. Our
results illustrate the importance of training set design which has the
potential to allow accurate estimation of tissue properties with ML.
- Abstract(参考訳): 定量的MRI(qMRI)は、これらの未知量と測定されたMRI信号とを関連付けるモデルを介して、組織特性を非侵襲的にマッピングすることを目的としている。
従来モデル適合性が必要だったこれらの未知を推定する – 反復的な手順が、ワンショット機械学習(ml)アプローチで可能になった。
このようなパラメータ推定は、固有のqMRI信号モデルデジェネシーによって複雑になる可能性がある: 組織特性の異なる組み合わせは同じ信号を生成する。
多くの利点にもかかわらず、MLアプローチがこの問題を解決できるかどうかは不明だ。
実験的な証拠の増加は、mlアプローチがモデル変性の影響を受けやすいことを示唆している。
ここでは、MLがこの問題に対処できる適切な状況下で実証する。
mlに基づくパラメータ推定におけるトレーニングデータ分布の影響に関する最近の研究に触発されて,トレーニングデータ分布の設計によるモデル縮退の解消を提案する。
我々は,モデルのデジェネラシーの分類を行い,提案する攻撃に適応可能な1種類のデジェネラシーを同定した。
この戦略は,標準的なマルチシェル拡散MRIデータを用いた修正NODDIモデルを用いて実証された。
以上の結果から,MLを用いた組織特性の正確な評価が可能なトレーニングセット設計の重要性が示唆された。
関連論文リスト
- MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。
独立画素の仮定を破る自己教師型深部変分法を提案する。
そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
論文 参考訳(メタデータ) (2024-11-16T11:11:36Z) - Analytical results for uncertainty propagation through trained machine learning regression models [0.10878040851637999]
本稿では、トレーニング/修正機械学習(ML)回帰モデルによる不確実性伝播の課題に対処する。
計算効率の観点から,本手法の有効性を検証し,モンテカルロ法と比較する数値実験を行った。
論文 参考訳(メタデータ) (2024-04-17T10:16:20Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - 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) - 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) - An interpretable prediction model for longitudinal dispersion
coefficient in natural streams based on evolutionary symbolic regression
network [30.99493442296212]
縦分散係数(LDC)の予測には様々な方法が提案されている。
本稿では,まずこれらの手法の詳細な解析を行い,その欠陥を明らかにする。
次に、進化的記号回帰ネットワーク(ESRN)と呼ばれる新しい記号回帰法を設計する。
論文 参考訳(メタデータ) (2021-06-17T07:06:05Z) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-04-19T12:26:26Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z)
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。