Fugu-MT 論文翻訳(概要): Ideal Observer Computation by Use of Markov-Chain Monte Carlo with Generative Adversarial Networks

論文の概要: Ideal Observer Computation by Use of Markov-Chain Monte Carlo with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2304.00433v1
Date: Sun, 2 Apr 2023 02:51:50 GMT
ステータス: 処理完了
システム内更新日: 2023-04-04 18:08:14.702743
Title: Ideal Observer Computation by Use of Markov-Chain Monte Carlo with Generative Adversarial Networks
Title（参考訳）: Markov-Chain Monte Carloとジェネレータネットワークを用いた理想的なオブザーバ計算
Authors: Weimin Zhou, Umberto Villa, Mark A. Anastasio
Abstract要約: Ideal Observer (IO) は、医療画像システムの評価と最適化のためのFinder-of-merit (FOM) としての使用を提唱されている。マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が提案されている。本研究では, MCMC-GAN と呼ばれる, GAN ベースの SOM を用いた新しい MCMC 手法について述べる。
参考スコア（独自算出の注目度）: 12.521662223741671
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical imaging systems are often evaluated and optimized via objective, or task-specific, measures of image quality (IQ) that quantify the performance of an observer on a specific clinically-relevant task. The performance of the Bayesian Ideal Observer (IO) sets an upper limit among all observers, numerical or human, and has been advocated for use as a figure-of-merit (FOM) for evaluating and optimizing medical imaging systems. However, the IO test statistic corresponds to the likelihood ratio that is intractable to compute in the majority of cases. A sampling-based method that employs Markov-Chain Monte Carlo (MCMC) techniques was previously proposed to estimate the IO performance. However, current applications of MCMC methods for IO approximation have been limited to a small number of situations where the considered distribution of to-be-imaged objects can be described by a relatively simple stochastic object model (SOM). As such, there remains an important need to extend the domain of applicability of MCMC methods to address a large variety of scenarios where IO-based assessments are needed but the associated SOMs have not been available. In this study, a novel MCMC method that employs a generative adversarial network (GAN)-based SOM, referred to as MCMC-GAN, is described and evaluated. The MCMC-GAN method was quantitatively validated by use of test-cases for which reference solutions were available. The results demonstrate that the MCMC-GAN method can extend the domain of applicability of MCMC methods for conducting IO analyses of medical imaging systems.
Abstract（参考訳）: 医療画像システムはしばしば、特定の臨床に関連するタスクにおけるオブザーバのパフォーマンスを定量化する客観的、タスク特異的な画像品質測定(iq)によって評価、最適化される。ベイズ理想オブザーバー(IO)の性能は、すべての観測者、数値または人間に上限を設定し、医療画像システムの評価と最適化のための図形(FOM)としての使用が提唱されている。しかし、ioテストの統計量は、ほとんどのケースで計算できない確率比に対応している。マルコフ鎖モンテカルロ法(mcmc)を用いたサンプリングに基づく手法が提案されている。しかし,現在の MCMC 法のIO近似への応用は,比較的単純な確率的対象モデル (SOM) によって,被像物の分布を考慮に入れた少数の状況に限られている。したがって、IOベースのアセスメントが必要とされるが関連するSOMが利用できない様々なシナリオに対処するために、MCMC法の適用範囲を拡大する必要がある。本研究では, MCMC-GAN と呼ばれる, GAN ベースの SOM を用いた新しい MCMC 手法について述べる。 MCMC-GAN法は,参照解が利用できるテストケースを用いて定量的に検証した。その結果,MCMC-GAN法は医用画像のIO解析を行うためのMCMC法の適用範囲を拡大できることがわかった。

関連論文リスト

Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-05T00:23:34Z)
MM Algorithms to Estimate Parameters in Continuous-time Markov Chains [0.0]
遷移率をパラメータの集合上の関数とするパラメトリックCTMCについて紹介する。 2つの学習シナリオをカバーするパラメトリックCTMCの反復的推定アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-16T21:25:27Z)
CTDS: Centralized Teacher with Decentralized Student for Multi-Agent Reinforcement Learning [114.69155066932046]
この作品は小説を提案している。教師モデルと学生モデルからなる分散学生(C TDS)フレームワーク。具体的には、教師モデルは、グローバルな観察で条件付けられた個別のQ値を学ぶことで、チームの報酬を割り当てる。学生モデルは、部分的な観察を利用して、教師モデルによって推定されるQ値を近似する。
論文参考訳（メタデータ） (2022-03-16T06:03:14Z)
A Survey of Monte Carlo Methods for Parameter Estimation [0.0]
本稿では,信号処理応用における静的パラメータ推定のためのモンテカルロ法について検討する。 MCスキームの開発に関する歴史的注記も提供され、続いて基本MC法とリジェクションサンプリング(RS)アルゴリズムの簡潔な記述がなされている。
論文参考訳（メタデータ） (2021-07-25T14:57:58Z)
Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文参考訳（メタデータ） (2021-02-23T20:22:56Z)
Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文参考訳（メタデータ） (2020-12-04T15:36:29Z)
Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文参考訳（メタデータ） (2020-09-29T21:17:16Z)
Non-convex Learning via Replica Exchange Stochastic Gradient MCMC [25.47669573608621]
本稿では,適応的複製交換SGMCMC(reSGMCMC)を提案し,バイアスを自動的に補正し,対応する特性について検討する。実験では,様々な設定の広範囲な実験を通じてアルゴリズムを検証し,その結果を得た。
論文参考訳（メタデータ） (2020-08-12T15:02:59Z)
Approximating the Ideal Observer for joint signal detection and localization tasks by use of supervised learning methods [15.226790614827193]
画像品質(IQ)の客観的指標を用いて、医用画像システムの評価と最適化が一般的である理想オブザーバ(IO)のパフォーマンスは、画像システムの評価と最適化に使用するためのメリットの図式を提供することが提唱されている。本稿では,共同信号検出および局所化タスクにおいて,IOを近似する教師あり学習手法を提案する。
論文参考訳（メタデータ） (2020-05-29T22:53:45Z)
Markov-Chain Monte Carlo Approximation of the Ideal Observer using Generative Adversarial Networks [14.792685152780795]
医用イメージングシステムを信号検出タスクに最適化する際には,Ideal Observer (IO) の性能が提唱されている。 IOテスト統計を近似するため,マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が開発されている。 GAN(Generative Adversarial Network)を用いたディープラーニング手法は、画像データからオブジェクトモデルを学ぶことを大いに約束する。
論文参考訳（メタデータ） (2020-01-26T21:51:08Z)

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。