論文の概要: RobNODDI: Robust NODDI Parameter Estimation with Adaptive Sampling under Continuous Representation
- arxiv url: http://arxiv.org/abs/2408.01944v1
- Date: Sun, 4 Aug 2024 07:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 17:51:14.399729
- Title: RobNODDI: Robust NODDI Parameter Estimation with Adaptive Sampling under Continuous Representation
- Title（参考訳）: RobNODDI:連続表現による適応サンプリングによるロバストNODDIパラメータ推定
- Authors: Taohui Xiao, Jian Cheng, Wenxin Fan, Jing Yang, Cheng Li, Enqing Dong, Shanshan Wang,
- Abstract要約: 拡散磁気共鳴イメージング(dMRI)によるパラメータ推定
連続表現下での適応サンプリングを用いた頑健なNODDIパラメータ推定法(RobNODDI)を提案する。
実験結果から,RobNODDIはディープラーニングモデルの一般化性能とロバスト性を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 14.80661323868321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neurite Orientation Dispersion and Density Imaging (NODDI) is an important imaging technology used to evaluate the microstructure of brain tissue, which is of great significance for the discovery and treatment of various neurological diseases. Current deep learning-based methods perform parameter estimation through diffusion magnetic resonance imaging (dMRI) with a small number of diffusion gradients. These methods speed up parameter estimation and improve accuracy. However, the diffusion directions used by most existing deep learning models during testing needs to be strictly consistent with the diffusion directions during training. This results in poor generalization and robustness of deep learning models in dMRI parameter estimation. In this work, we verify for the first time that the parameter estimation performance of current mainstream methods will significantly decrease when the testing diffusion directions and the training diffusion directions are inconsistent. A robust NODDI parameter estimation method with adaptive sampling under continuous representation (RobNODDI) is proposed. Furthermore, long short-term memory (LSTM) units and fully connected layers are selected to learn continuous representation signals. To this end, we use a total of 100 subjects to conduct experiments based on the Human Connectome Project (HCP) dataset, of which 60 are used for training, 20 are used for validation, and 20 are used for testing. The test results indicate that RobNODDI improves the generalization performance and robustness of the deep learning model, enhancing the stability and flexibility of deep learning NODDI parameter estimatimation applications.
- Abstract（参考訳）: ニューライト配向分散密度イメージング(NODDI)は、脳組織の微細構造を評価するために用いられる重要なイメージング技術であり、様々な神経疾患の発見と治療に非常に重要である。
現在の深層学習法では,拡散磁気共鳴画像(dMRI)を用いてパラメータ推定を行う。
これらの手法はパラメータ推定を高速化し、精度を向上させる。
しかし、テスト中に既存のディープラーニングモデルで使われている拡散方向は、トレーニング中の拡散方向と厳密に一致している必要がある。
これにより、dMRIパラメータ推定におけるディープラーニングモデルの一般化とロバスト性は低下する。
本研究では,従来の主流手法のパラメータ推定性能が,試験拡散方向とトレーニング拡散方向とが一致しない場合に著しく低下することを確認した。
連続表現(RobNODDI)下での適応サンプリングを用いた頑健なNODDIパラメータ推定法を提案する。
さらに、長寿命メモリ(LSTM)ユニットと完全連結層を選択して、連続表現信号の学習を行う。
この目的のために、Human Connectome Project(HCP)データセットに基づく実験を行うために、計100名の被験者を用いて、トレーニングに60名、バリデーションに20名、テストに20名を用いている。
実験結果から,RobNODDIはディープラーニングモデルの一般化性能と堅牢性を向上し,ディープラーニングNODDIパラメータ推定アプリケーションの安定性と柔軟性を向上させることが示唆された。
関連論文リスト
- SamRobNODDI: Q-Space Sampling-Augmented Continuous Representation Learning for Robust and Generalized NODDI [12.08756944029135]
我々は,堅牢で一般化されたNODDIを実現するために,Q空間サンプリングによる連続表現学習フレームワーク(SamRobNODDI)を提案する。
具体的には、q空間サンプリング強化に基づく連続表現学習法を導入し、q空間内の異なる勾配方向間の情報を完全に探索する。
我々は、異なるサンプリングスキームの出力を制限するために、サンプリング一貫性損失を設計し、出力が可能な限り一貫性を保つことを保証する。
論文 参考訳（メタデータ） (2024-11-10T12:25:00Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
本研究では,データ駆動型最適化手法であるDoDTIを紹介する。
提案手法はDTIパラメータ推定における最先端性能を実現する。
特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
論文 参考訳（メタデータ） (2024-09-04T07:35:12Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳（メタデータ） (2023-06-05T14:06:40Z) - 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) - Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。
AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。
本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2020-10-21T14:49:00Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z) - A Comprehensive Study of Data Augmentation Strategies for Prostate
Cancer Detection in Diffusion-weighted MRI using Convolutional Neural
Networks [9.554833667156913]
217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。
前立腺癌検出の精度に及ぼす各方法の影響について検討した。
浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
論文 参考訳（メタデータ） (2020-06-01T14:31:38Z)
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。