論文の概要: Rician likelihood loss for quantitative MRI using self-supervised deep
learning
- arxiv url: http://arxiv.org/abs/2307.07072v1
- Date: Thu, 13 Jul 2023 21:42:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 15:32:36.837642
- Title: Rician likelihood loss for quantitative MRI using self-supervised deep
learning
- Title(参考訳): 自己教師型深層学習を用いた定量的MRIにおけるリッチ度損失の検討
- Authors: Christopher S. Parker, Anna Schroder, Sean C. Epstein, James Cole,
Daniel C. Alexander, Hui Zhang
- Abstract要約: 自己教師型ディープラーニングを用いた従来の定量的MR画像解析では,低SNRでの偏差パラメータ推定が報告されている。
我々は,試験対象のSNRの全範囲にわたって数値的に安定かつ精度の高い負対数リシアン損失(NLR)を導入する。
我々は,MR画像の定量的手法を広範に活用し,ノイズデータからより正確な推定を可能にすることを期待している。
- 参考スコア(独自算出の注目度): 4.937920705275674
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: Previous quantitative MR imaging studies using self-supervised deep
learning have reported biased parameter estimates at low SNR. Such systematic
errors arise from the choice of Mean Squared Error (MSE) loss function for
network training, which is incompatible with Rician-distributed MR magnitude
signals. To address this issue, we introduce the negative log Rician likelihood
(NLR) loss. Methods: A numerically stable and accurate implementation of the
NLR loss was developed to estimate quantitative parameters of the apparent
diffusion coefficient (ADC) model and intra-voxel incoherent motion (IVIM)
model. Parameter estimation accuracy, precision and overall error were
evaluated in terms of bias, variance and root mean squared error and compared
against the MSE loss over a range of SNRs (5 - 30). Results: Networks trained
with NLR loss show higher estimation accuracy than MSE for the ADC and IVIM
diffusion coefficients as SNR decreases, with minimal loss of precision or
total error. At high effective SNR (high SNR and small diffusion coefficients),
both losses show comparable accuracy and precision for all parameters of both
models. Conclusion: The proposed NLR loss is numerically stable and accurate
across the full range of tested SNRs and improves parameter estimation accuracy
of diffusion coefficients using self-supervised deep learning. We expect the
development to benefit quantitative MR imaging techniques broadly, enabling
more accurate parameter estimation from noisy data.
- Abstract(参考訳): 目的: 自己教師型ディープラーニングを用いた従来の定量的MR画像解析では, 低SNRでの偏差パラメータ推定が報告されている。
このような系統的誤りは、ネットワークトレーニングにおける平均二乗誤差(MSE)損失関数の選択から生じる。
この問題に対処するために,負のログリキアン度 (nlr) 損失を導入する。
方法: NLR損失の数値的, 高精度な実装は, 見かけ拡散係数(ADC)モデルとVIM(Intra-voxel incoherent Motion)モデルの定量的パラメータを推定するために開発された。
バイアス,分散,根平均二乗誤差の観点からパラメータ推定精度,精度,総誤差を評価し,snr(5~30)の範囲でのmse損失と比較した。
結果: NLR損失をトレーニングしたネットワークは,SNRが減少するにつれて, ADC および IVIM 拡散係数の MSE よりも高い推定精度を示し,精度の低下や総誤差が最小となる。
高効率SNR(高SNR, 拡散係数)では, 両モデルの全てのパラメータに対して, 両者の損失は同等の精度と精度を示す。
結論: 提案したNLR損失は, 試験されたSNRの全範囲にわたって数値的に安定かつ正確であり, 自己教師付き深層学習を用いて拡散係数のパラメータ推定精度を向上させる。
我々は,ノイズデータからより正確なパラメータ推定を可能にする定量的MRイメージング技術の普及を期待する。
関連論文リスト
- Bias-Reduced Neural Networks for Parameter Estimation in Quantitative MRI [0.13654846342364307]
ニューラルネットワーク(NN)に基づく定量的MRIパラメータ推定器を開発した。
論文 参考訳(メタデータ) (2023-11-13T20:41:48Z) - Preserved Edge Convolutional Neural Network for Sensitivity Enhancement
of Deuterium Metabolic Imaging (DMI) [10.884358837187243]
本研究は,Deuterium Metabolic Imaging (DMI)の感度向上のための深層学習手法を提案する。
畳み込みニューラルネットワーク(CNN)は低SNRから2H標識代謝物濃度を推定するために設計された。
推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
論文 参考訳(メタデータ) (2023-09-08T03:41:54Z) - UncertaINR: Uncertainty Quantification of End-to-End Implicit Neural
Representations for Computed Tomography [35.84136481440458]
Inlicit Neural representations (INRs) はシーン再構成とコンピュータグラフィックスにおいて印象的な結果を得た。
本稿では,INR,UncertaINRのベイズ的再構成について,計算トモグラフィーの文脈で検討する。
また,他の古典的,INR的,CNN的再構成技術と競合する精度を維持しつつ,良好な校正不確実性を達成できた。
論文 参考訳(メタデータ) (2022-02-22T12:19:03Z) - Improving evidential deep learning via multi-task learning [1.8275108630751844]
本研究の目的は,効率的な不確実性推定を維持しつつ,ENetの予測精度を向上させることである。
この目的を達成するために,MT-ENetと呼ばれるマルチタスク学習フレームワークを提案する。
MT-ENetは、合成データセットと実世界のベンチマークで不確実性推定能力を失うことなく、ENetの予測精度を向上させる。
論文 参考訳(メタデータ) (2021-12-17T07:56:20Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - Cram\'er-Rao bound-informed training of neural networks for quantitative
MRI [11.964144201247198]
ニューラルネットワークは、定量的MRI、特に磁気共鳴フィンガープリントでパラメーターを推定するためにますます使われている。
それらの利点は、より優れた速度と非効率な非バイアス推定器の優位性である。
しかし、不均一なパラメータを推定することは困難である。
CRBを用いて二乗誤差を正規化するClam'erRao損失関数を提案する。
論文 参考訳(メタデータ) (2021-09-22T06:38:03Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳(メタデータ) (2021-02-12T18:08:14Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳(メタデータ) (2020-06-20T22:45:32Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。