論文の概要: Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis

• arxiv url: http://arxiv.org/abs/2408.15999v1
• Date: Wed, 28 Aug 2024 18:05:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 14:59:16.319252
• Title: Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis
• Title（参考訳）: Q-MRS: 量子磁気共鳴スペクトル解析のためのディープラーニングフレームワーク
• Authors: Christopher J. Wu, Lawrence S. Kegeles, Jia Guo,
• Abstract要約: 本研究では,トランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入し,シミュレーションデータセット上でモデルを事前学習し,生体内データの微調整を行う。 提案したフレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合,有望なパフォーマンスを示した。
• 参考スコア（独自算出の注目度）: 13.779430559468926
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Magnetic resonance spectroscopy (MRS) is an established technique for studying tissue metabolism, particularly in central nervous system disorders. While powerful and versatile, MRS is often limited by challenges associated with data quality, processing, and quantification. Existing MRS quantification methods face difficulties in balancing model complexity and reproducibility during spectral modeling, often falling into the trap of either oversimplification or over-parameterization. To address these limitations, this study introduces a deep learning (DL) framework that employs transfer learning, in which the model is pre-trained on simulated datasets before it undergoes fine-tuning on in vivo data. The proposed framework showed promising performance when applied to the Philips dataset from the BIG GABA repository and represents an exciting advancement in MRS data analysis.
• Abstract（参考訳）: 磁気共鳴分光法(MRS)は、特に中枢神経系疾患において、組織代謝を研究するための確立された技術である。 強力で汎用的ではあるが、MSSはデータ品質、処理、定量化に関連する課題によって制限されることが多い。 既存のMSS定量化手法は、スペクトルモデリングにおいてモデルの複雑さと再現性のバランスをとるのに困難に直面し、しばしば過度に単純化または過度なパラメータ化の罠に陥る。 これらの制約に対処するため,本研究では,生体データに微調整を施す前に,モデルがシミュレーションデータセット上で事前学習されるトランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入する。 提案フレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合に有望な性能を示し,MSSデータ解析におけるエキサイティングな進歩を示している。

関連論文リスト

• Modal Analysis of Spatiotemporal Data via Multivariate Gaussian Process Regression [0.0]
  モーダル解析は複雑な流れのコヒーレントな構造を理解するための重要なツールとなっている。 データ不足と不規則サンプリングの限界を克服するために,新しいモーダル解析手法を提案する。
  論文  参考訳（メタデータ） (2024-03-19T19:47:02Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• A Multi-Resolution Physics-Informed Recurrent Neural Network: Formulation and Application to Musculoskeletal Systems [1.978587235008588]
  本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。 提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。 このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
  論文  参考訳（メタデータ） (2023-05-26T02:51:39Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Deep learning for full-field ultrasonic characterization [7.120879473925905]
  本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。 直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
  論文  参考訳（メタデータ） (2023-01-06T05:01:05Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Nonparametric posterior learning for emission tomography with multimodal data [1.6500749121196991]
  我々は,最近提案された非パラメトリック後方学習手法を,エミッショントモグラフィーにおけるポアソン型データの文脈に適用した。 我々は,並列化が容易で,拡張性があり,実装が容易なサンプリングアルゴリズムを導出する。 我々は, マルコフ連鎖の混合時間を大幅に増大させることを理論的, 数値的に示す。
  論文  参考訳（メタデータ） (2021-07-29T12:43:02Z)
• 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)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。