論文の概要: Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations
of Imperfection Factors and Overall Macromolecular Signal
- arxiv url: http://arxiv.org/abs/2306.09681v1
- Date: Fri, 16 Jun 2023 08:24:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 14:39:14.348297
- Title: Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations
of Imperfection Factors and Overall Macromolecular Signal
- Title（参考訳）: 磁気共鳴分光法の定量化 : 不完全因子と全高分子信号の深い推定
- Authors: Dicheng Chen, Meijin Lin, Huiting Liu, Jiayu Li, Yirong Zhou, Taishan
Kang, Liangjie Lin, Zhigang Wu, Jiazheng Wang, Jing Li, Jianzhong Lin, Xi
Chen, Di Guo and Xiaobo Qu
- Abstract要約: 代謝物とプロトンMSSを正確に定量することは依然として困難である。
ディープラーニングは、この全体的な量的問題を解決する複雑さを減らすために導入された。
QnetはクラウドコンピューティングプラットフォームであるCloudBrain-MRSにデプロイされている。
- 参考スコア（独自算出の注目度）: 16.574504002037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Spectroscopy (MRS) is an important non-invasive technique
for in vivo biomedical detection. However, it is still challenging to
accurately quantify metabolites with proton MRS due to three problems: Serious
overlaps of metabolite signals, signal distortions due to non-ideal acquisition
conditions and interference with strong background signals including
macromolecule signals. The most popular software, LCModel, adopts the
non-linear least square to quantify metabolites and addresses these problems by
introducing regularization terms, imperfection factors of non-ideal acquisition
conditions, and designing several empirical priors such as basissets of both
metabolites and macromolecules. However, solving such a large non-linear
quantitative problem is complicated. Moreover, when the signal-to-noise ratio
of an input MRS signal is low, the solution may have a large deviation. In this
work, deep learning is introduced to reduce the complexity of solving this
overall quantitative problem. Deep learning is designed to predict directly the
imperfection factors and the overall signal from macromolecules. Then, the
remaining part of the quantification problem becomes a much simpler effective
fitting and is easily solved by Linear Least Squares (LLS), which greatly
improves the generalization to unseen concentration of metabolites in the
training data. Experimental results show that compared with LCModel, the
proposed method has smaller quantification errors for 700 sets of simulated
test data, and presents more stable quantification results for 20 sets of
healthy in vivo data at a wide range of signal-to-noise ratio. Qnet also
outperforms other deep learning methods in terms of lower quantification error
on most metabolites. Finally, QNet has been deployed on a cloud computing
platform, CloudBrain-MRS, which is open accessed at
https://csrc.xmu.edu.cn/CloudBrain.html.
- Abstract（参考訳）: 磁気共鳴分光法(MRS)は生体内バイオメディカル検出において重要な非侵襲的手法である。
しかし,代謝物信号の重なり,非理想的獲得条件による信号歪み,高分子信号を含む強い背景信号との干渉の3つの問題により,プロトンmrsによる代謝物を正確に定量化することは依然として困難である。
最もポピュラーなソフトウェアであるlcmodelは、代謝産物を定量化するために非線形最小二乗法を採用しており、正規化項、非理想的獲得条件の不完全化因子の導入、そして代謝物とマクロ分子の基底集合のようないくつかの経験的前駆体の設計によってこれらの問題に対処している。
しかし、そのような大きな非線形量問題の解決は複雑である。
さらに、入力MSS信号の信号対雑音比が低い場合には、解の偏差が大きくなる可能性がある。
この研究では、この全体的な量的問題を解決する複雑さを減らすためにディープラーニングが導入される。
ディープラーニングは、不完全な要因とマクロ分子からのシグナルを直接予測するように設計されている。
そして、量子化問題の残りの部分は、より単純な有効フィッティングとなり、リニアリーストスクエア(LLS)により容易に解決され、トレーニングデータにおける代謝物濃度の一般化を著しく改善する。
実験結果から,提案手法はLCModelと比較して,700組の模擬試験データに対してより少ない定量化誤差を有し,より安定な20組の健康な生体データに対して,幅広い信号対雑音比で定量化結果を示す。
Qnetは、多くの代謝物に対する量子化誤差の低い観点から、他のディープラーニング手法よりも優れている。
最後に、QNetはクラウドコンピューティングプラットフォームであるCloudBrain-MRS上にデプロイされ、https://csrc.xmu.edu.cn/CloudBrain.htmlで公開されている。
関連論文リスト
- Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis [13.779430559468926]
本研究では,トランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入し,シミュレーションデータセット上でモデルを事前学習し,生体内データの微調整を行う。
提案したフレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合,有望なパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-08-28T18:05:53Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリ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言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Nonparametric posterior learning for emission tomography with multimodal
data [1.6500749121196991]
我々は,最近提案された非パラメトリック後方学習手法を,エミッショントモグラフィーにおけるポアソン型データの文脈に適用した。
我々は,並列化が容易で,拡張性があり,実装が容易なサンプリングアルゴリズムを導出する。
我々は, マルコフ連鎖の混合時間を大幅に増大させることを理論的, 数値的に示す。
論文 参考訳（メタデータ） (2021-07-29T12:43:02Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Denoising Single Voxel Magnetic Resonance Spectroscopy with Deep
Learning on Repeatedly Sampled In Vivo Data [17.291672952879022]
MRSは代謝情報を明らかにする非侵襲的なツールです。
MRSの課題の1つは、代謝産物の低濃度による比較的低い信号ノイズ比(SNR)である。
低SNR信号から高SNR信号へのマッピングを学習するための深層学習解読手法を提案する。
論文 参考訳（メタデータ） (2021-01-26T05:36:44Z) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2020-10-28T12:43:46Z) - Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。
大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。
応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
論文 参考訳（メタデータ） (2020-08-05T17:52:10Z) - Designing Accurate Emulators for Scientific Processes using
Calibration-Driven Deep Models [33.935755695805724]
Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。
また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。
LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
論文 参考訳（メタデータ） (2020-05-05T16:54:11Z)
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。