論文の概要: SamRobNODDI: Q-Space Sampling-Augmented Continuous Representation Learning for Robust and Generalized NODDI
- arxiv url: http://arxiv.org/abs/2411.06444v1
- Date: Sun, 10 Nov 2024 12:25:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:08:06.384752
- Title: SamRobNODDI: Q-Space Sampling-Augmented Continuous Representation Learning for Robust and Generalized NODDI
- Title（参考訳）: SamRobNODDI:ロバストで一般化されたNODDIのためのQ-Space Smpling-Augmented Continuous Representation Learning
- Authors: Taohui Xiao, Jian Cheng, Wenxin Fan, Enqing Dong, Hairong Zheng, Shanshan Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.08756944029135
- License:
- Abstract: Neurite Orientation Dispersion and Density Imaging (NODDI) microstructure estimation from diffusion magnetic resonance imaging (dMRI) is of great significance for the discovery and treatment of various neurological diseases. Current deep learning-based methods accelerate the speed of NODDI parameter estimation and improve the accuracy. However, most methods require the number and coordinates of gradient directions during testing and training to remain strictly consistent, significantly limiting the generalization and robustness of these models in NODDI parameter estimation. In this paper, we propose a q-space sampling augmentation-based continuous representation learning framework (SamRobNODDI) to achieve robust and generalized NODDI. Specifically, a continuous representation learning method based on q-space sampling augmentation is introduced to fully explore the information between different gradient directions in q-space. Furthermore, we design a sampling consistency loss to constrain the outputs of different sampling schemes, ensuring that the outputs remain as consistent as possible, thereby further enhancing performance and robustness to varying q-space sampling schemes. SamRobNODDI is also a flexible framework that can be applied to different backbone networks. To validate the effectiveness of the proposed method, we compared it with 7 state-of-the-art methods across 18 different q-space sampling schemes, demonstrating that the proposed SamRobNODDI has better performance, robustness, generalization, and flexibility.
- Abstract（参考訳）: 拡散磁気共鳴画像(dMRI)によるNODDIの微細構造推定は,様々な神経疾患の発見と治療において重要である。
現在のディープラーニングに基づく手法は,NODDIパラメータ推定の高速化と精度の向上を実現している。
しかし、ほとんどの手法では、テストとトレーニング中に勾配方向の数と座標を厳密な一貫性に保ち、NODDIパラメータ推定におけるこれらのモデルの一般化とロバスト性を著しく制限する。
本稿では,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。
さらに、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定であることを保証することにより、様々なq空間サンプリングスキームの性能と堅牢性をさらに向上する。
SamRobNODDIは、異なるバックボーンネットワークに適用可能なフレキシブルなフレームワークである。
提案手法の有効性を検証するため,提案手法を18種類のq空間サンプリング方式で比較し,SamRobNODDIがより優れた性能,堅牢性,一般化,柔軟性を有することを示した。
関連論文リスト
- Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。
ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。
定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
論文 参考訳（メタデータ） (2024-10-22T03:00:11Z) - RobNODDI: Robust NODDI Parameter Estimation with Adaptive Sampling under Continuous Representation [14.80661323868321]
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。
論文 参考訳（メタデータ） (2024-08-04T07:04:59Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [66.67616086310662]
拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。
DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。
拡散SDEを解くための効率の良いAdams法であるSA-of-rを提案する。
論文 参考訳（メタデータ） (2023-09-10T12:44:54Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - 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) - gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics
Identification [0.5249805590164902]
物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。
インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。
提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
論文 参考訳（メタデータ） (2022-04-26T00:15:46Z) - Alternating Learning Approach for Variational Networks and Undersampling
Pattern in Parallel MRI Applications [0.9558392439655014]
高速並列磁気共鳴画像(MRI)におけるサンプリングパターン(SP)と変動ネットワーク(VN)パラメータの交互学習手法を提案する。
提案手法は安定であり,他の手法よりも高品質な画像を生成するVNパラメータを用いた有効SPを学習した。
論文 参考訳（メタデータ） (2021-10-27T18:42:03Z) - 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。