論文の概要: Distribution-informed and wavelength-flexible data-driven photoacoustic oximetry
- arxiv url: http://arxiv.org/abs/2403.14863v1
- Date: Thu, 21 Mar 2024 22:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 18:57:02.165182
- Title: Distribution-informed and wavelength-flexible data-driven photoacoustic oximetry
- Title（参考訳）: 分布インフォームドおよび波長フレキシブルデータ駆動型光音響オキシメトリー
- Authors: Janek Gröhl, Kylie Yeung, Kevin Gu, Thomas R. Else, Monika Golinska, Ellie V. Bunce, Lina Hacker, Sarah E. Bohndiek,
- Abstract要約: 光音響イメージング(PAI)は、空間分解された酸素飽和度を測定することを約束する。
正確な血液酸素濃度推定は、がんの検出から炎症の定量化に至るまで、重要な臨床応用となる可能性がある。
本研究は, 繰り返しニューラルネットワークアーキテクチャを導入することにより, PAI内の血液酸素濃度を推定する既存のデータ駆動手法の柔軟性について論じる。
- 参考スコア（独自算出の注目度）: 0.6424287896973291
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Significance: Photoacoustic imaging (PAI) promises to measure spatially-resolved blood oxygen saturation, but suffers from a lack of accurate and robust spectral unmixing methods to deliver on this promise. Accurate blood oxygenation estimation could have important clinical applications, from cancer detection to quantifying inflammation. Aim: This study addresses the inflexibility of existing data-driven methods for estimating blood oxygenation in PAI by introducing a recurrent neural network architecture. Approach: We created 25 simulated training dataset variations to assess neural network performance. We used a long short-term memory network to implement a wavelength-flexible network architecture and proposed the Jensen-Shannon divergence to predict the most suitable training dataset. Results: The network architecture can handle arbitrary input wavelengths and outperforms linear unmixing and the previously proposed learned spectral decolouring method. Small changes in the training data significantly affect the accuracy of our method, but we find that the Jensen-Shannon divergence correlates with the estimation error and is thus suitable for predicting the most appropriate training datasets for any given application. Conclusions: A flexible data-driven network architecture combined with the Jensen-Shannon Divergence to predict the best training data set provides a promising direction that might enable robust data-driven photoacoustic oximetry for clinical use cases.
- Abstract（参考訳）: 意義:光音響イメージング(PAI)は空間分解された酸素飽和度を測定することを約束するが、この約束を実現するための正確で堅牢なスペクトルアンミックス法が欠如している。
正確な血液酸素濃度推定は、がんの検出から炎症の定量化に至るまで、重要な臨床応用となる可能性がある。
Aim: 本研究は, 繰り返しニューラルネットワークアーキテクチャを導入することにより, PAI内の酸素濃度を推定する既存のデータ駆動手法の柔軟性に対処する。
アプローチ: ニューラルネットワークの性能を評価するために、25のシミュレーショントレーニングデータセットを作成した。
我々は、波長フレキシブルネットワークアーキテクチャを実装するために、長期間のメモリネットワークを使用し、最も適切なトレーニングデータセットを予測するために、Jensen-Shannon分散を提案した。
結果: ネットワークアーキテクチャは任意の入力波長を処理し, 線形アンミックス法と従来提案されていたスペクトル復調法より優れる。
トレーニングデータの小さな変更は,本手法の精度に大きく影響するが,Jensen-Shannon分散は推定誤差と相関し,任意のアプリケーションに対して最適なトレーニングデータセットを予測するのに適している。
結論: 最高のトレーニングデータセットを予測するためのJensen-Shannon Divergenceと組み合わせたフレキシブルなデータ駆動ネットワークアーキテクチャは、臨床ユースケースにおいて堅牢なデータ駆動型光音響オキシメトリーを可能にする、有望な方向を提供する。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳（メタデータ） (2020-12-19T02:03:53Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳（メタデータ） (2020-12-09T09:28:42Z) - Estimation of the Mean Function of Functional Data via Deep Neural
Networks [6.230751621285321]
関数データに対して非パラメトリック回帰を行うディープニューラルネットワーク手法を提案する。
本手法は,アルツハイマー病患者における陽電子放出トモグラフィ画像の解析に用いる。
論文 参考訳（メタデータ） (2020-12-08T17:18:16Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - Towards learned optimal q-space sampling in diffusion MRI [1.5640063295947522]
ファイバトラクトグラフィーのための統一的な推定フレームワークを提案する。
提案手法は,信号推定の精度とそれに続く解析精度を大幅に向上させる。
本稿では,Human Connectome Projectデータに基づく包括的比較分析を提案する。
論文 参考訳（メタデータ） (2020-09-07T10:46:12Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。