論文の概要: Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine

• arxiv url: http://arxiv.org/abs/2409.02492v1
• Date: Wed, 4 Sep 2024 07:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 20:02:12.280556
• Title: Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine
• Title（参考訳）: 信頼性の高い深拡散テンソル推定:データ駆動最適化ルーチンのパワーを再考する
• Authors: Jialong Li, Zhicheng Zhang, Yunwei Chen, Qiqi Lu, Ye Wu, Xiaoming Liu, QianJin Feng, Yanqiu Feng, Xinyuan Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.516054970588137
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion tensor imaging (DTI) holds significant importance in clinical diagnosis and neuroscience research. However, conventional model-based fitting methods often suffer from sensitivity to noise, leading to decreased accuracy in estimating DTI parameters. While traditional data-driven deep learning methods have shown potential in terms of accuracy and efficiency, their limited generalization to out-of-training-distribution data impedes their broader application due to the diverse scan protocols used across centers, scanners, and studies. This work aims to tackle these challenges and promote the use of DTI by introducing a data-driven optimization-based method termed DoDTI. DoDTI combines the weighted linear least squares fitting algorithm and regularization by denoising technique. The former fits DW images from diverse acquisition settings into diffusion tensor field, while the latter applies a deep learning-based denoiser to regularize the diffusion tensor field instead of the DW images, which is free from the limitation of fixed-channel assignment of the network. The optimization object is solved using the alternating direction method of multipliers and then unrolled to construct a deep neural network, leveraging a data-driven strategy to learn network parameters. Extensive validation experiments are conducted utilizing both internally simulated datasets and externally obtained in-vivo datasets. The results, encompassing both qualitative and quantitative analyses, showcase that the proposed method attains state-of-the-art performance in DTI parameter estimation. Notably, it demonstrates superior generalization, accuracy, and efficiency, rendering it highly reliable for widespread application in the field.
• Abstract（参考訳）: 拡散テンソルイメージング(DTI)は臨床診断や神経科学研究において重要な役割を担っている。 しかし、従来のモデルベースのフィッティング法は、しばしばノイズに対する感度に悩まされ、DTIパラメータの推定精度が低下する。 従来のデータ駆動型ディープラーニング手法は精度と効率の面で可能性を示しているが、トレーニング外の分散データへの限定的な一般化は、センター、スキャナー、研究にまたがる多様なスキャンプロトコルのために、より広範な応用を妨げる。 本研究の目的は,データ駆動型最適化手法であるDoDTIを導入することにより,これらの課題に対処し,DTIの利用を促進することである。 DoDTIは重み付き線形最小二乗フィッティングアルゴリズムとデノジング手法による正規化を組み合わせた。 前者は、様々な取得設定から拡散テンソル場にDW画像を適合させ、後者は、DW画像の代わりに拡散テンソルフィールドを正規化するためのディープラーニングベースのデノイザを適用し、ネットワークの固定チャネル割り当ての制限が不要となる。 最適化対象を乗算器の交互方向法を用いて解き、次にアンロールしてディープニューラルネットワークを構築し、ネットワークパラメータを学習するためのデータ駆動戦略を活用する。 内部シミュレーションデータセットと外部から得られたインビビオデータセットの両方を用いて、広範囲な検証実験を行う。 その結果, DTIパラメータ推定において, 定性解析と定量的解析の両面から, 提案手法が最先端性能を達成できることが示唆された。 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。

関連論文リスト

• AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-Preserving Model-based Deep Learning [15.504457554152513]
  本稿では,6つの測定値のみで高速かつ正確なDTIを実現するための新しい手法であるAID-DTI(Accelerating hIgh fiDelity Diffusion Imaging)を提案する。 AID-DTIは、新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。 HCP(Human Connectome Project)データによる実験結果から,提案手法は細粒度でDTIパラメータマップを推定し,定量的かつ定性的に3つの最先端手法を上回ることを示した。
  論文  参考訳（メタデータ） (2024-01-03T11:54:48Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• A Direct Sampling-Based Deep Learning Approach for Inverse Medium Scattering Problems [3.776050336003086]
  非均一な散乱体を再構成するための新しい直接サンプリングベースディープラーニング手法(DSM-DL)を提案する。 提案するDSM-DLは,計算効率が高く,ノイズに耐性があり,実装が容易で,自然に複数の計測データを組み込むことができる。
  論文  参考訳（メタデータ） (2023-04-29T12:29:30Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Robust Learning of Deep Time Series Anomaly Detection Models with Contaminated Training Data [29.808942473293108]
  時系列異常検出(TSAD)は、IoT時代の多くのアプリケーションにおいて重要なデータマイニングタスクである。 ディープTSADメソッドは通常、基礎となるダイナミクスの"正規プロファイル"を学ぶために、異常によって汚染されないクリーンなトレーニングデータセットに依存します。 本研究では,潜在的に汚染されたデータを用いて,メインストリームの深部TSADモデルの堅牢性を効果的に向上するモデルに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2022-08-03T04:52:08Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI [0.3694429692322631]
  拡散強調画像(DWI)のノイズはDTI由来の微細構造パラメータの精度と精度を低下させる。 畳み込みニューラルネットワーク(CNN)を用いたディープラーニングに基づく画像認識は、優れた性能を持つが、CNNのトレーニングを監督するためには、高SNRデータを必要とすることが多い。 本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
  論文  参考訳（メタデータ） (2021-11-14T01:36:51Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• 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)

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。