論文の概要: Real-time nonlinear inversion of magnetic resonance elastography with operator learning

• arxiv url: http://arxiv.org/abs/2510.03372v1
• Date: Fri, 03 Oct 2025 08:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.943236
• Title: Real-time nonlinear inversion of magnetic resonance elastography with operator learning
• Title（参考訳）: 演算子学習による磁気共鳴エラストグラフィーのリアルタイム非線形インバージョン
• Authors: Juampablo E. Heras Rivera, Caitlin M. Neher, Mehmet Kurt,
• Abstract要約: oNLIフレームワークは、NLIに匹敵する空間精度を持つエラストグラムのリアルタイムMREインバージョン(30,000倍高速化)を可能にする。 MRE文学におけるソフト事前正規化に類似した構造的事前機構が,空間的精度を向上させるために組み込まれている。
• 参考スコア（独自算出の注目度）: 0.06797079068199119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: $\textbf{Purpose:}$ To develop and evaluate an operator learning framework for nonlinear inversion (NLI) of brain magnetic resonance elastography (MRE) data, which enables real-time inversion of elastograms with comparable spatial accuracy to NLI. $\textbf{Materials and Methods:}$ In this retrospective study, 3D MRE data from 61 individuals (mean age, 37.4 years; 34 female) were used for development of the framework. A predictive deep operator learning framework (oNLI) was trained using 10-fold cross-validation, with the complex curl of the measured displacement field as inputs and NLI-derived reference elastograms as outputs. A structural prior mechanism, analogous to Soft Prior Regularization in the MRE literature, was incorporated to improve spatial accuracy. Subject-level evaluation metrics included Pearson's correlation coefficient, absolute relative error, and structural similarity index measure between predicted and reference elastograms across brain regions of different sizes to understand accuracy. Statistical analyses included paired t-tests comparing the proposed oNLI variants to the convolutional neural network baselines. $\textbf{Results:}$ Whole brain absolute percent error was 8.4 $\pm$ 0.5 ($\mu'$) and 10.0 $\pm$ 0.7 ($\mu''$) for oNLI and 15.8 $\pm$ 0.8 ($\mu'$) and 26.1 $\pm$ 1.1 ($\mu''$) for CNNs. Additionally, oNLI outperformed convolutional architectures as per Pearson's correlation coefficient, $r$, in the whole brain and across all subregions for both the storage modulus and loss modulus (p < 0.05). $\textbf{Conclusion:}$ The oNLI framework enables real-time MRE inversion (30,000x speedup), outperforming CNN-based approaches and maintaining the fine-grained spatial accuracy achievable with NLI in the brain.
• Abstract（参考訳）: $\textbf{Purpose:}$ 脳磁気共鳴エラストグラフィー(MRE)データの非線形インバージョン(NLI)の演算子学習フレームワークの開発と評価。 $\textbf{Materials and Methods:}$ この振り返り調査では、61人(平均年齢37.4歳、34人の女性)の3D MREデータがフレームワークの開発に使用された。 予測深度演算子学習フレームワーク (oNLI) を10倍のクロスバリデーションを用いて学習し, 測定された変位場の複素カールを入力とし, NLI由来の基準エラストグラムを出力とした。 MRE文学におけるソフト事前正規化に類似した構造的事前機構が,空間的精度を向上させるために組み込まれている。 被験者レベルの評価指標には、ピアソンの相関係数、絶対相対誤差、異なる大きさの脳領域にわたる予測と基準エラストグラムの間の構造的類似度指数測定が含まれていた。 統計的分析には、提案されたoNLI変異体と畳み込みニューラルネットワークベースラインを比較したペアtテストが含まれていた。 $\textbf{Results:}$ Whole brain absolute percent error was 8.4 $\pm$ 0.5 ($\mu'$) and 10.0 $\pm$ 0.7 ($\mu'$) for oNLI and 15.8 $\pm$ 0.8 ($\mu'$) and 26.1 $\pm$ 1.1 ($\mu'$) for CNNs。 さらに、ONLIは、Pearsonの相関係数である$r$により、記憶率と損失率の両方について、脳全体およびすべての部分領域において、畳み込みアーキテクチャよりも優れていた(p < 0.05)。 $\textbf{Conclusion:}$ oNLIフレームワークは、リアルタイムMREインバージョン(30,000倍のスピードアップ)を可能にし、CNNベースのアプローチより優れ、脳内のNLIで達成可能なきめ細かい空間精度を維持する。

関連論文リスト

• Newton-Puiseux Analysis for Interpretability and Calibration of Complex-Valued Neural Networks [0.0]
  複雑なニューラルネットワーク(CVNN)は、フェーズが重要な場所を抽出するが、そのマルチシート決定曲面は、標準的な説明可能性と校正ツールを損なう。 本稿では,局所的なサロゲートを高不確かさ入力に適合させ,解析的にこのサロゲートを分級数列に分解するemphNewton-Puiseuxフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T09:37:07Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• On Recovering Higher-order Interactions from Protein Language Models [0.3376269351435395]
  3つのタンパク質-緑色蛍光タンパク質(GFP)、腫瘍タンパク質P53(TP53)、GドメインB1(GB1)に適用されるタンパク質言語モデルESM2の系統的フーリエ解析を行うフレームワークを開発する。 ESM2 はスパースフーリエ変換に適するスポーシティ・ラゲネス平面の 3 つの領域で支配されていることを示す。
  論文  参考訳（メタデータ） (2024-03-15T16:35:47Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• Decentralized Sparse Linear Regression via Gradient-Tracking: Linear Convergence and Statistical Guarantees [23.256961881716595]
  エージェントネットワーク上の疎線形回帰を非指向グラフとしてモデル化し,サーバノードを持たない。 分布予測勾配追跡に基づくアルゴリズムの収束率と統計的保証を解析する。
  論文  参考訳（メタデータ） (2022-01-21T01:26:08Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for Diffeomorphic Brain MRI Registration [0.0]
  NPBDREGは、教師なしの変形可能な画像登録のための非最適フレームワークである。 それは理論上よくパラメトリックで計算的に効率的な方法で、改善された不確実性推定と信頼度測定を提供する。 PrVXMに比べて登録精度は若干改善されている。
  論文  参考訳（メタデータ） (2021-08-15T16:00:06Z)

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。