論文の概要: Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI

• arxiv url: http://arxiv.org/abs/2306.04339v1
• Date: Wed, 7 Jun 2023 11:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 15:00:02.460033
• Title: Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI
• Title（参考訳）: ダイナミックコントラスト強調MRIによる薬物動態パラメータ推定のための未経験深度学習
• Authors: Gyutaek Oh, Won-Jin Moon, and Jong Chul Ye
• Abstract要約: 薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。 提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。 実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
• 参考スコア（独自算出の注目度）: 37.358265461543716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DCE-MRI provides information about vascular permeability and tissue perfusion through the acquisition of pharmacokinetic parameters. However, traditional methods for estimating these pharmacokinetic parameters involve fitting tracer kinetic models, which often suffer from computational complexity and low accuracy due to noisy arterial input function (AIF) measurements. Although some deep learning approaches have been proposed to tackle these challenges, most existing methods rely on supervised learning that requires paired input DCE-MRI and labeled pharmacokinetic parameter maps. This dependency on labeled data introduces significant time and resource constraints, as well as potential noise in the labels, making supervised learning methods often impractical. To address these limitations, here we present a novel unpaired deep learning method for estimating both pharmacokinetic parameters and the AIF using a physics-driven CycleGAN approach. Our proposed CycleGAN framework is designed based on the underlying physics model, resulting in a simpler architecture with a single generator and discriminator pair. Crucially, our experimental results indicate that our method, which does not necessitate separate AIF measurements, produces more reliable pharmacokinetic parameters than other techniques.
• Abstract（参考訳）: dce-mriは薬物動態パラメータの取得を通じて血管透過性と組織灌流に関する情報を提供する。 しかし、これらの薬物動態パラメータを推定する従来の手法では、トレーサーの運動モデルが組み込まれており、これはしばしば、ノイズの多い動脈入力関数(AIF)測定による計算複雑性と低い精度に悩まされる。 これらの課題に対処するためにいくつかのディープラーニングアプローチが提案されているが、既存の手法の多くは、ペア入力DCE-MRIとラベル付き薬物動態パラメータマップを必要とする教師あり学習に依存している。 このラベル付きデータへの依存は、ラベルの潜在的なノイズと同様に、かなりの時間とリソースの制約をもたらすため、教師付き学習手法はしばしば実用的ではない。 本稿では, 物理駆動サイクガン法を用いて, 薬物動態パラメータとaifの両方を推定する新しい非ペア型深層学習法を提案する。 提案するcycleganフレームワークは,基礎となる物理モデルに基づいて設計され,単一の生成器と判別器ペアでよりシンプルなアーキテクチャを実現する。 本手法はaif測定を別途必要とせず,他の手法よりも信頼性の高い薬物動態パラメータを生成できることを示す。

関連論文リスト

• Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
  電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。 既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。 本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
  論文  参考訳（メタデータ） (2024-11-06T14:18:23Z)
• Beyond Conventional Parametric Modeling: Data-Driven Framework for Estimation and Prediction of Time Activity Curves in Dynamic PET Imaging [4.097001355074171]
  本研究では、リアクション拡散システムにインスパイアされた、革新的なデータ駆動型ニューラルネットワークベースのフレームワークを紹介する。 本手法は, dPETのTACに適応的に適合し, 観測データから拡散係数と反応項を直接キャリブレーションすることができる。
  論文  参考訳（メタデータ） (2024-05-31T17:09:07Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET [36.28565007063204]
  Voxel-wise physiologically based of the Time Activity curves (TAC) は、臨床ワークフローに関連性のある診断情報を提供することができる。 本研究は、測定されたTACと学習された運動パラメータで生成されたものとの類似性を強制する自己教師付きPET損失定式化を導入する。 我々の知る限りでは、これは非線形の運動モデルと整合した運動パラメータのエルボックスワイズ計算を可能にする最初の自己教師ネットワークである。
  論文  参考訳（メタデータ） (2023-05-17T21:08:02Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Perfusion Imaging: A Data Assimilation Approach [18.418067945495203]
  灌流画像(PI)は脳卒中や脳腫瘍の診断に用いられる。 コントラスト・エイジェント・フリーアプローチ(例えば、ボクセル内不整合運動に基づく)も存在するが、これまでは日常的に臨床応用は行われていない。 これらの手法は、動脈入力関数(AIF)をおよそモデル組織灌流に頼り、空間的依存を無視し、AIFを確実に推定することにも依存する。 本研究では, 対流拡散モデルの速度場と拡散場を推定し, コントラストのダイナミクスを最もよく説明するデータ同化手法(PIANO)を提案する。
  論文  参考訳（メタデータ） (2020-09-06T18:44:44Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。