論文の概要: A Learnable Prior Improves Inverse Tumor Growth Modeling
- arxiv url: http://arxiv.org/abs/2403.04500v1
- Date: Thu, 7 Mar 2024 13:59:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 13:54:00.776381
- Title: A Learnable Prior Improves Inverse Tumor Growth Modeling
- Title(参考訳): 逆腫瘍成長モデリングにおける先行学習
- Authors: Jonas Weidner, Ivan Ezhov, Michal Balcerak, Marie-Christin Metz,
Sergey Litvinov, Sebastian Kaltenbach, Leonhard Feiner, Laurin Lux, Florian
Kofler, Jana Lipkova, Jonas Latz, Daniel Rueckert, Bjoern Menze, Benedikt
Wiestler
- Abstract要約: 両アプローチの独特な長所を相乗的に活用する新しい枠組みを提案する。
磁気共鳴画像から脳腫瘍細胞濃度を推定するための高速深層学習アルゴリズムと高精度進化戦略を統合することの有効性を示す。
- 参考スコア(独自算出の注目度): 9.07695949501293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biophysical modeling, particularly involving partial differential equations
(PDEs), offers significant potential for tailoring disease treatment protocols
to individual patients. However, the inverse problem-solving aspect of these
models presents a substantial challenge, either due to the high computational
requirements of model-based approaches or the limited robustness of deep
learning (DL) methods. We propose a novel framework that leverages the unique
strengths of both approaches in a synergistic manner. Our method incorporates a
DL ensemble for initial parameter estimation, facilitating efficient downstream
evolutionary sampling initialized with this DL-based prior. We showcase the
effectiveness of integrating a rapid deep-learning algorithm with a
high-precision evolution strategy in estimating brain tumor cell concentrations
from magnetic resonance images. The DL-Prior plays a pivotal role,
significantly constraining the effective sampling-parameter space. This
reduction results in a fivefold convergence acceleration and a Dice-score of
95%
- Abstract(参考訳): 生体物理モデリング、特に偏微分方程式(PDE)は、個々の患者に疾患治療プロトコルを調整するための重要な可能性を秘めている。
しかしながら、これらのモデルの逆問題解決の側面は、モデルベースアプローチの高度な計算要件や、ディープラーニング(dl)メソッドの限定的堅牢性によって、大きな課題となっている。
我々は,両アプローチの特異な強みを相乗的に活用する新しい枠組みを提案する。
本手法では, パラメータ推定のためのDLアンサンブルを組み込んで, このDLベースで初期化した下流の進化的サンプリングを効率化する。
磁気共鳴画像から脳腫瘍細胞濃度を推定するための高速深層学習アルゴリズムと高精度進化戦略を統合することの有効性を示す。
DL-Priorは重要な役割を担い、効果的なサンプリングパラメータ空間を著しく制限する。
この減少は5倍収束加速と95%のDiceスコアをもたらす。
関連論文リスト
- Multi-Omics Fusion with Soft Labeling for Enhanced Prediction of Distant Metastasis in Nasopharyngeal Carcinoma Patients after Radiotherapy [4.971538849792411]
オミクスデータの統合で直面する課題の1つは、予測不能の存在である。
本研究の目的は,オミクスデータに固有の相違を緩和する融合手法を開発することである。
論文 参考訳(メタデータ) (2025-02-12T05:26:59Z) - A Foundational Brain Dynamics Model via Stochastic Optimal Control [15.8358479596609]
最適制御(SOC)と償却推論を利用する脳力学の基礎モデルを提案する。
本手法は,fMRI信号の複雑なノイズ特性を頑健に扱える連続離散状態空間モデル(SSM)を特徴とする。
我々のモデルは、人口統計予測、形質分析、疾患診断、予後など、さまざまな下流課題において最先端の結果が得られる。
論文 参考訳(メタデータ) (2025-02-07T12:57:26Z) - Transforming Multimodal Models into Action Models for Radiotherapy [39.682133213072554]
放射線治療は重要ながん治療であり、腫瘍の保存と健康な組織の根絶のバランスをとるための正確な計画が必要である。
伝統的な治療計画(TP)は、反復的で、時間がかかり、人間の専門知識に依存している。
本稿では,MLM(Multimodal foundation model)を,数発の強化学習アプローチを用いたアクションモデルに変換するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2025-02-06T09:51:28Z) - Neural Network Surrogate and Projected Gradient Descent for Fast and Reliable Finite Element Model Calibration: a Case Study on an Intervertebral Disc [9.456474817418703]
そこで本研究では,L4-L5 IVD FEモデルを用いた新しい,効率的かつ効果的なキャリブレーション手法を提案する。
NNサロゲートは、シミュレーション結果を高精度に予測し、他の機械学習モデルより優れ、計算コストを大幅に削減する。
このような効率性は、より複雑なFEモデルを適用する方法となり、IVDを超えて拡張される可能性がある。
論文 参考訳(メタデータ) (2024-08-12T11:39:21Z) - Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳(メタデータ) (2023-10-25T19:02:57Z) - Boosting Inference Efficiency: Unleashing the Power of Parameter-Shared
Pre-trained Language Models [109.06052781040916]
本稿ではパラメータ共有言語モデルの推論効率を向上させる手法を提案する。
また、完全あるいは部分的に共有されたモデルにつながる単純な事前学習手法を提案する。
その結果,本手法が自己回帰的および自己符号化的PLMに与える影響が示された。
論文 参考訳(メタデータ) (2023-10-19T15:13:58Z) - Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。
EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。
本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文 参考訳(メタデータ) (2023-09-10T22:05:24Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-17T00:26:31Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z)
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。