Fugu-MT 論文翻訳(概要): Recovering high-quality FODs from a reduced number of diffusion-weighted images using a model-driven deep learning architecture

論文の概要: Recovering high-quality FODs from a reduced number of diffusion-weighted images using a model-driven deep learning architecture

arxiv url: http://arxiv.org/abs/2307.15273v1
Date: Fri, 28 Jul 2023 02:47:34 GMT
ステータス: 処理完了
システム内更新日: 2023-07-31 13:51:51.918747
Title: Recovering high-quality FODs from a reduced number of diffusion-weighted images using a model-driven deep learning architecture
Title（参考訳）: モデル駆動型ディープラーニングアーキテクチャを用いた拡散強調画像数削減による高品質fodの復元
Authors: J Bartlett, C E Davey, L A Johnston, and J Duan
Abstract要約: モデル駆動型深層学習FOD再構成アーキテクチャを提案する。ネットワークが生成する中間および出力FODが、入力されたDWI信号と一致していることを保証する。モデルに基づくディープラーニングアーキテクチャは,最先端のFOD超解像ネットワークであるFOD-Netと比較して,競争性能が向上することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Fibre orientation distribution (FOD) reconstruction using deep learning has the potential to produce accurate FODs from a reduced number of diffusion-weighted images (DWIs), decreasing total imaging time. Diffusion acquisition invariant representations of the DWI signals are typically used as input to these methods to ensure that they can be applied flexibly to data with different b-vectors and b-values; however, this means the network cannot condition its output directly on the DWI signal. In this work, we propose a spherical deconvolution network, a model-driven deep learning FOD reconstruction architecture, that ensures intermediate and output FODs produced by the network are consistent with the input DWI signals. Furthermore, we implement a fixel classification penalty within our loss function, encouraging the network to produce FODs that can subsequently be segmented into the correct number of fixels and improve downstream fixel-based analysis. Our results show that the model-based deep learning architecture achieves competitive performance compared to a state-of-the-art FOD super-resolution network, FOD-Net. Moreover, we show that the fixel classification penalty can be tuned to offer improved performance with respect to metrics that rely on accurately segmented of FODs. Our code is publicly available at https://github.com/Jbartlett6/SDNet .
Abstract（参考訳）: 深層学習を用いた繊維配向分布 (FOD) 再構成は, 拡散強調画像 (DWI) から正確なFODを生成する可能性があり, 全撮影時間を短縮できる。 DWI信号の拡散取得不変表現は、一般的にこれらの手法の入力として、異なるbベクトルとb値のデータに対して柔軟に適用できることを保証するために使用されるが、これはネットワークがDWI信号に直接出力を条件付けできないことを意味する。本研究では,ネットワークが生成する中間および出力fodが入力されたdwi信号と一致していることを保証する,モデル駆動型ディープラーニングfod再構成アーキテクチャである球面デコンボリューションネットワークを提案する。さらに、損失関数内に固定子分類ペナルティを実装し、次に正しい固定子数に分割できるFODを生成し、下流の固定子に基づく解析を改善する。モデルに基づくディープラーニングアーキテクチャは,最先端のFOD超解像ネットワークであるFOD-Netと比較して,競争性能が向上することを示す。さらに,FODの正確なセグメント化に依存する指標に対して,フィクステル分類のペナルティを調整し,性能の向上を図れることを示す。私たちのコードはhttps://github.com/Jbartlett6/SDNetで公開されています。

関連論文リスト

Boosting Latent Diffusion with Perceptual Objectives [29.107038084215514]
遅延拡散モデル (LDMs) パワー・オブ・ザ・アート高分解能画像モデル。我々は,遅延知覚損失(LPL)を定義するためにデコーダの内部的特徴を活用することを提案する。この損失により、モデルはよりシャープでリアルなイメージを作成することができる。
論文参考訳（メタデータ） (2024-11-06T16:28:21Z)
Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation [0.0]
ニューラルネットワークアーキテクチャは高次元パラメータ依存偏微分方程式(pPDE)を解くために提示されるモデルデータのパラメータを対応する有限要素解にマッピングするために構築される。適応有限要素法(AFEM)で生成される粗いグリッド解と一連の補正を出力する。
論文参考訳（メタデータ） (2024-03-19T11:34:40Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-08-21T06:50:44Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
End-to-End Diffusion Latent Optimization Improves Classifier Guidance [81.27364542975235]
拡散潜水剤(DOODL)の直接最適化は,新しいガイダンス手法である。拡散潜伏剤の最適化によるプラグアンドプレイ誘導を可能にする。計算と人的評価の指標において、一段階の分類器ガイダンスよりも優れている。
論文参考訳（メタデータ） (2023-03-23T22:43:52Z)
Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。 DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。 CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文参考訳（メタデータ） (2023-03-17T04:20:47Z)
Unsupervised Representation Learning from Pre-trained Diffusion Probabilistic Models [83.75414370493289]
拡散確率モデル(DPM)は高品質の画像サンプルを生成する強力な能力を示している。 Diff-AEは自動符号化による表現学習のためのDPMを探索するために提案されている。我々は、既存のトレーニング済みDPMをデコーダに適応させるために、textbfPre-trained textbfAutotextbfEncoding (textbfPDAE)を提案する。
論文参考訳（メタデータ） (2022-12-26T02:37:38Z)
DIFFnet: Diffusion parameter mapping network generalized for input diffusion gradient schemes and bvalues [6.7487278071108525]
DIFFnetと呼ばれる新しいディープニューラルネットワークが開発され、拡散重み付けされた信号の一般化再構成ツールとして機能する。 DIFFnetは拡散テンソルイメージング(DIFFnetDTI)およびニューロライト配向分散と密度イメージング(DIFFnetNODDI)のために評価される。その結果, ほぼ少ない処理時間で拡散パラメータの正確な再構成が得られた。
論文参考訳（メタデータ） (2021-02-04T07:45:36Z)
Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文参考訳（メタデータ） (2020-12-16T21:46:33Z)
DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。