論文の概要: Amide Proton Transfer (APT) imaging in tumor with a machine learning approach using partially synthetic data

• arxiv url: http://arxiv.org/abs/2311.01683v1
• Date: Fri, 3 Nov 2023 03:12:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 15:24:49.279069
• Title: Amide Proton Transfer (APT) imaging in tumor with a machine learning approach using partially synthetic data
• Title（参考訳）: 部分合成データを用いた機械学習による腫瘍のAmide Proton Transfer(APT)イメージング
• Authors: Malvika Viswanathan, Leqi Yin, Yashwant Kurmi, Zhongliang Zu
• Abstract要約: 本研究では、シミュレーションと測定成分を組み合わせて、部分的に合成化学交換飽和移動(CEST)データを生成する新しいプラットフォームを提案する。 MLモデルは一般的に、測定データまたは完全にシミュレートされたデータを使用して訓練される。 組織ミミキングデータを用いた実験では、部分合成データを用いたML法がAPT予測に正確であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.355460994057843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has been increasingly used to quantify chemical exchange saturation transfer (CEST) effect. ML models are typically trained using either measured data or fully simulated data. However, training with measured data often lacks sufficient training data, while training with fully simulated data may introduce bias due to limited simulations pools. This study introduces a new platform that combines simulated and measured components to generate partially synthetic CEST data, and to evaluate its feasibility for training ML models to predict amide proton transfer (APT) effect. Partially synthetic CEST signals were created using an inverse summation of APT effects from simulations and the other components from measurements. Training data were generated by varying APT simulation parameters and applying scaling factors to adjust the measured components, achieving a balance between simulation flexibility and fidelity. First, tissue-mimicking CEST signals along with ground truth information were created using multiple-pool model simulations to validate this method. Second, an ML model was trained individually on partially synthetic data, in vivo data, and fully simulated data, to predict APT effect in rat brains bearing 9L tumors. Experiments on tissue-mimicking data suggest that the ML method using the partially synthetic data is accurate in predicting APT. In vivo experiments suggest that our method provides more accurate and robust prediction than the training using in vivo data and fully synthetic data. Partially synthetic CEST data can address the challenges in conventional ML methods.
• Abstract（参考訳）: 機械学習(ML)は、化学交換飽和移動(CEST)効果の定量化にますます利用されている。 mlモデルは通常、測定データまたは完全なシミュレーションデータを使用して訓練される。 しかしながら、測定データによるトレーニングには十分なトレーニングデータがない場合が多いが、完全にシミュレートされたデータによるトレーニングは、限られたシミュレーションプールによるバイアスをもたらす可能性がある。 本研究は,シミュレーションと測定を組み合わせることで部分合成cestデータを生成し,アミドプロトン移動(apt)効果を予測するためのmlモデルのトレーニングの可能性を評価するための新しいプラットフォームを提案する。 部分合成CEST信号は, シミュレーションと他の成分によるAPT効果の逆和を用いて生成した。 シミュレーションの柔軟性と忠実さのバランスを保ちながら,様々なAPTシミュレーションパラメータとスケーリング係数を用いて測定成分を調整し,トレーニングデータを生成した。 まず, マルチプールモデルシミュレーションを用いて組織模倣CEST信号と地中真実情報を作成し, 評価を行った。 第2に、MLモデルは、部分合成データ、生体内データ、および完全にシミュレートされたデータに基づいて個別に訓練され、9L腫瘍を有するラット脳におけるAPT効果を予測する。 組織ミミキングデータを用いた実験では、部分合成データを用いたML法がAPT予測に正確であることが示唆された。 In vivo実験により,本手法は生体データと完全合成データを用いたトレーニングよりも正確で堅牢な予測を提供することが示された。 部分的に合成されたCESTデータは、従来のML手法の課題に対処することができる。

関連論文リスト

• Beyond Model Collapse: Scaling Up with Synthesized Data Requires Verification [11.6055501181235]
  モデル崩壊防止のための合成データに対する検証手法について検討する。 検証器は、たとえ不完全なものであっても、モデル崩壊を防ぐために実際に活用できることが示される。
  論文  参考訳（メタデータ） (2024-06-11T17:46:16Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Effect of Balancing Data Using Synthetic Data on the Performance of Machine Learning Classifiers for Intrusion Detection in Computer Networks [3.233545237942899]
  アカデミックと産業の研究者たちは、コンピュータネットワークのための侵入検知システム(IDSe)の設計と実装に機械学習(ML)技術を使用した。 このようなシステムで使用される多くのデータセットでは、データは不均衡である(つまり、すべてのクラスが同じ量のサンプルを持っているわけではない)。 また,CTGANが生成した合成試料とバランスの取れたデータセット上でのMLモデルのトレーニングにより,予測精度が最大8%向上した。
  論文  参考訳（メタデータ） (2022-04-01T00:25:11Z)
• Validation of Simulation-Based Testing: Bypassing Domain Shift with Label-to-Image Synthesis [9.531148049378672]
  本稿では,異なる転送可能性尺度とともに生成ラベル-画像合成モデルからなる新しいフレームワークを提案する。 シーンを駆動するセマンティックセグメンテーションタスクにおいて,本手法を実証的に検証する。 後者は実生活と合成テストを区別できるが、前者は自動車と歩行者の両方で0.7の驚くほど強い相関関係を観察する。
  論文  参考訳（メタデータ） (2021-06-10T07:23:58Z)
• Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
  研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。 より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。 本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
  論文  参考訳（メタデータ） (2021-03-19T02:00:14Z)

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。