論文の概要: Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy

• arxiv url: http://arxiv.org/abs/2505.03590v1
• Date: Tue, 06 May 2025 14:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.436166
• Title: Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy
• Title（参考訳）: 磁気共鳴分光法におけるベイズ推論のための物理インフォーム・シルベスタ正規化流れ
• Abstract要約: 本研究は,代謝物濃度の後方分布を近似するために正規化フロー(SNF)を用いたベイズ推論フレームワークを導入する。 物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。
• 参考スコア（独自算出の注目度）: 13.797945335120056
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Magnetic resonance spectroscopy (MRS) is a non-invasive technique to measure the metabolic composition of tissues, offering valuable insights into neurological disorders, tumor detection, and other metabolic dysfunctions. However, accurate metabolite quantification is hindered by challenges such as spectral overlap, low signal-to-noise ratio, and various artifacts. Traditional methods like linear-combination modeling are susceptible to ambiguities and commonly only provide a theoretical lower bound on estimation accuracy in the form of the Cram\'er-Rao bound. This work introduces a Bayesian inference framework using Sylvester normalizing flows (SNFs) to approximate posterior distributions over metabolite concentrations, enhancing quantification reliability. A physics-based decoder incorporates prior knowledge of MRS signal formation, ensuring realistic distribution representations. We validate the method on simulated 7T proton MRS data, demonstrating accurate metabolite quantification, well-calibrated uncertainties, and insights into parameter correlations and multi-modal distributions.
• Abstract（参考訳）: 磁気共鳴分光法(MRS)は、組織の代謝組成を測定する非侵襲的手法であり、神経疾患、腫瘍検出、その他の代謝異常に関する貴重な知見を提供する。 しかし、正確な代謝物定量化は、スペクトルオーバーラップ、低信号-雑音比、様々な人工物といった課題によって妨げられる。 線形組合せモデリングのような伝統的な手法はあいまいさの影響を受けやすく、一般的にはCram\'er-Rao 境界の形で推定精度の理論的下界を与えるだけである。 本研究では, メタボライト濃度の後方分布を近似するために, シルヴェスター正規化流(SNF)を用いたベイズ推論フレームワークを導入し, 定量化信頼性を高める。 物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。 シミュレーションした7TプロトンMSSデータを用いて, 正確な代謝物定量化, 良好な校正の不確かさ, パラメータ相関とマルチモーダル分布の洞察を検証した。

関連論文リスト

• Evaluation of optimisation and Bayesian inference methods for reaction rates in atmospheric chemical mechanisms [8.523756077573376]
  ODE制約されたニューラルネットワーク最適化とマルコフ連鎖モンテカルロアプローチの2つの補完的アプローチが比較される。 非摂動・低雑音合成観測では、どちらの手法も既知の速度係数に収束した。 MCMCは高雑音条件下では, 速度係数の回復においてかなり頑健であった。
  論文  参考訳（メタデータ） (2026-09-13T14:55:24Z)
• Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics [1.1961510466705991]
  本稿では,高速かつ堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 提案手法では,予測物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 このサロゲートフレームワークは、正確な物理フォワードモデルよりも1500倍加速し、同時に推論誤差(RMSE)を標準ホモシダスティック神経ベースラインに比べて20%削減することを示した。
  論文  参考訳（メタデータ） (2026-08-19T18:45:56Z)
• Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification [1.2835484274728046]
  物理インフォームドニューラルネットワーク(PINN)は、従来の非線形最小二乗フィッティング法に代わるものとして提案されている。 本研究では,従来提案されていたPINNフレームワークを暗黙的ニューラル表現(INR)で拡張し,MR信号を連続時間関数として表現する。 提案したINRを用いたPINNは,従来の手法よりもロバスト性およびパラメータ推定精度が向上したことを示す。
  論文  参考訳（メタデータ） (2026-08-11T11:25:22Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• Transformer-based Parameter Fitting of Models derived from Bloch-McConnell Equations for CEST MRI Analysis [2.1768638312234043]
  CEST(Chemical Exchange saturation Transfer) MRIは代謝物を検出するための非侵襲的な画像モダリティである。 本稿では, メタボライト濃度, 交換速度, 緩和速度などのパラメータに適合するトランスフォーマー型ニューラルネットワークを提案する。 我々の自己教師型ニューラルネットワークは、古典的勾配に基づく解法よりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-06T10:15:39Z)
• Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE) [0.0]
  本稿では,物理構造を持つ変分オートエンコーダ(PS-VAE)について述べる。 本法は, マルチプロトンプール化学交換飽和輸送 (CEST) および半固体磁化移動 (MT) 分子MRF法で検証した。
  論文  参考訳（メタデータ） (2026-02-03T09:46:55Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Implicit neural representations for accurate estimation of the standard model of white matter [0.25128687379089687]
  白色物質の標準モデル(SM)は、軸索内および外水区画からのdMRI信号の寄与を解消することを目的としている。 モデルが高次元であるため、パラメータの退化を緩和するためには、複数のb値と拡散形状を持つ広範囲な取得プロトコルが要求される。 本研究は,入力座標の正弦波符号化による正規化を含む暗黙的ニューラル表現(INR)に基づく新しい推定フレームワークを実現する。
  論文  参考訳（メタデータ） (2025-06-18T15:40:42Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Avoided-crossings, degeneracies and Berry phases in the spectrum of quantum noise through analytic Bloch-Messiah decomposition [49.1574468325115]
  解析的ブロッホ・メシア分解 (analytic Bloch-Messiah decomposition) は量子光学系の力学を特徴づけるためのアプローチを提供する。 単一パラメータが変化した場合,回避された交差は自然に発生し,特異ベクトルの過敏性をもたらすことを示す。 我々は,避けられた交差を意図的に設計することで,フォトニックシステムのスペクトル応答をプログラムできる可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-29T13:14:15Z)
• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis [13.779430559468926]
  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。
  論文  参考訳（メタデータ） (2024-08-28T18:05:53Z)
• Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
  金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations of Imperfection Factors and Overall Macromolecular Signal [16.574504002037]
  代謝物とプロトンMSSを正確に定量することは依然として困難である。 ディープラーニングは、この全体的な量的問題を解決する複雑さを減らすために導入された。 QnetはクラウドコンピューティングプラットフォームであるCloudBrain-MRSにデプロイされている。
  論文  参考訳（メタデータ） (2023-06-16T08:24:18Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)

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。