論文の概要: A Robust eLORETA Technique for Localization of Brain Sources in the Presence of Forward Model Uncertainties
- arxiv url: http://arxiv.org/abs/2405.05790v1
- Date: Thu, 9 May 2024 14:15:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 13:13:05.356953
- Title: A Robust eLORETA Technique for Localization of Brain Sources in the Presence of Forward Model Uncertainties
- Title（参考訳）: 前向きモデル不確実性の存在下での脳源の局所化のためのロバストeLORETA手法
- Authors: A. Noroozi, M. Ravan, B. Razavi, R. S. Fisher, Y. Law, M. S. Hasan,
- Abstract要約: 我々は、よく知られた高分解能電磁トモグラフィー(eLORETA)技術であるReLORETA(ReLORETA)の頑健なバージョンを提示する。
いずれの場合も、ReLORETAはeLORETAよりもかなり堅牢で正確である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a robust version of the well-known exact low-resolution electromagnetic tomography (eLORETA) technique, named ReLORETA, to localize brain sources in the presence of different forward model uncertainties. Methods: We first assume that the true lead field matrix is a transformation of the existing lead field matrix distorted by uncertainties and propose an iterative approach to estimate this transformation accurately. Major sources of the forward model uncertainties, including differences in geometry, conductivity, and source space resolution between the real and simulated head models, and misaligned electrode positions, are then simulated to test the proposed method. Results: ReLORETA and eLORETA are applied to simulated focal sources in different regions of the brain and the presence of various noise levels as well as real data from a patient with focal epilepsy. The results show that ReLORETA is considerably more robust and accurate than eLORETA in all cases. Conclusion: Having successfully dealt with the forward model uncertainties, ReLORETA proved to be a promising method for real-world clinical applications. Significance: eLORETA is one of the localization techniques that could be used to study brain activity for medical applications such as determining the epileptogenic zone in patients with medically refractory epilepsy. However, the major limitation of eLORETA is sensitivity to the uncertainties in the forward model. Since this problem can substantially undermine its performance in real-world applications where the exact lead field matrix is unknown, developing a more robust method capable of dealing with these uncertainties is of significant interest.
- Abstract（参考訳）: 本稿では,ReLORETA (eLORETA) という,よく知られた高分解能電磁トモグラフィー(eLORETA) 技術を用いて,異なる前方モデル不確実性の存在下で脳源の局在化を行う。
方法: まず、真の鉛場行列は不確実性によって歪んだ既存の鉛場行列の変換であると仮定し、この変換を正確に推定するための反復的アプローチを提案する。
提案手法をテストするために, 実頭部モデルと模擬頭部モデル間の形状, 導電率, ソース空間の分解能の相違, 電極位置のずれなど, 前方モデルの不確かさの主な情報源を模擬する。
結果: ReLORETA と eLORETA は脳の様々な部位の焦点源と様々なノイズレベルの存在,および焦点てんかん患者の実際のデータに応用された。
その結果, ReLORETA は eLORETA よりもかなり堅牢で正確であることがわかった。
結論: 前方モデル不確実性への対処に成功し, ReLORETAは実世界の臨床応用に有望な方法であることが判明した。
意義:eLORETAは、医学的難治性てんかん患者のてんかん原性領域を決定するなど、医学的応用のための脳活動を研究するために用いられる局所化技術の1つである。
しかしながら、eLORETAの最大の制限は、前方モデルの不確実性に対する感度である。
この問題は、正確なリード場行列が不明な実世界のアプリケーションでは、その性能を著しく損なう可能性があるため、これらの不確実性に対処できるより堅牢な手法を開発することは、大きな関心事である。
関連論文リスト
- Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。
その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
論文 参考訳（メタデータ） (2024-07-23T16:13:27Z) - Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳（メタデータ） (2023-06-01T09:39:32Z) - Self-Supervised CSF Inpainting with Synthetic Atrophy for Improved
Accuracy Validation of Cortical Surface Analyses [2.018732483255139]
本稿では,パッチベースのドロップアウトトレーニング,エッジマップ先行,正弦波位置符号化を取り入れた新しい3次元GANモデルを提案する。
提案手法は,合成画像の品質を著しく向上させ,微調整による未確認データに適用可能であることを示す。
論文 参考訳（メタデータ） (2023-03-10T08:27:14Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Towards a unified nonlocal, peridynamics framework for the
coarse-graining of molecular dynamics data with fractures [6.478834929962051]
MD模擬材料破壊データセットからメソスケール連続体サロゲートとして周辺力学モデルを抽出する学習フレームワークを提案する。
我々の周辺力学シュロゲートモデルは、トレーニングと異なるグリッド解像度の予測タスクに利用できる。
論文 参考訳（メタデータ） (2023-01-11T16:07:17Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Uncertainty Estimation in Medical Image Localization: Towards Robust
Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
本稿では,2段階の深層学習(DL)フレームワークを提案する。
第1段階は、脳MRI全体から視床領域を特定して収穫する。
第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
論文 参考訳（メタデータ） (2020-11-03T23:43:52Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Hierarchical Bayesian Regression for Multi-Site Normative Modeling of
Neuroimaging Data [0.0]
階層ベイズ回帰(HBR)の多地点規範モデリングへの応用を提案する。
以上の結果から,HBRの優位性は,大規模なマルチサイト神経画像データにおいてより正確な基準範囲の導出に有効であることが確認された。
論文 参考訳（メタデータ） (2020-05-25T11:55:19Z) - Simultaneous Skull Conductivity and Focal Source Imaging from EEG
Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。
その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
論文 参考訳（メタデータ） (2020-01-31T21:33:56Z)
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。