論文の概要: Strategies to Minimize Out-of-Distribution Effects in Data-Driven MRS Quantification
- arxiv url: http://arxiv.org/abs/2511.23135v1
- Date: Fri, 28 Nov 2025 12:33:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.889302
- Title: Strategies to Minimize Out-of-Distribution Effects in Data-Driven MRS Quantification
- Title（参考訳）: データ駆動型MSS量子化におけるアウト・オブ・ディストリビューション効果の最小化手法
- Authors: Julian P. Merkofer, Antonia Kaiser, Anouk Schrantee, Oliver J. Gurney-Champion, Ruud J. G. van Sloun,
- Abstract要約: 磁気共鳴分光法(MRS)における代謝物定量化のためのデータ駆動型およびモデルベース戦略を系統的に比較した。
教師付き学習はトレーニング分布と同様のスペクトルの精度を達成したが,トレーニング分布を超えて外挿した場合に顕著な劣化が認められた。
テスト時間適応は、OoD効果に対してより弾力性を示し、自己教師型学習は中間的性能を達成した。
- 参考スコア（独自算出の注目度）: 16.060904490566383
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study systematically compared data-driven and model-based strategies for metabolite quantification in magnetic resonance spectroscopy (MRS), focusing on resilience to out-of-distribution (OoD) effects and the balance between accuracy, robustness, and generalizability. A neural network designed for MRS quantification was trained using three distinct strategies: supervised regression, self-supervised learning, and test-time adaptation. These were compared against model-based fitting tools. Experiments combined large-scale simulated data, designed to probe metabolite concentration extrapolation and signal variability, with 1H single-voxel 7T in-vivo human brain spectra. In simulations, supervised learning achieved high accuracy for spectra similar to those in the training distribution, but showed marked degradation when extrapolated beyond the training distribution. Test-time adaptation proved more resilient to OoD effects, while self-supervised learning achieved intermediate performance. In-vivo experiments showed larger variance across the methods (data-driven and model-based) due to domain shift. Across all strategies, overlapping metabolites and baseline variability remained persistent challenges. While strong performance can be achieved by data-driven methods for MRS metabolite quantification, their reliability is contingent on careful consideration of the training distribution and potential OoD effects. When such conditions in the target distribution cannot be anticipated, test-time adaptation strategies ensure consistency between the quantification, the data, and the model, enabling reliable data-driven MRS pipelines.
- Abstract（参考訳）: 本研究では、磁気共鳴分光法(MRS)における代謝物定量化のためのデータ駆動型およびモデルベース戦略を系統的に比較し、OoD効果に対するレジリエンスと精度、堅牢性、一般化性のバランスに着目した。
MRS定量化のために設計されたニューラルネットワークは、教師付き回帰、自己教師付き学習、テスト時間適応という3つの異なる戦略を用いて訓練された。
これらはモデルベースのフィッティングツールと比較された。
実験では、代謝物濃度の外挿と信号の変動を探索するために設計された大規模なシミュレーションデータを、1H単ボクセル7Tのヒト脳内スペクトルと組み合わせた。
シミュレーションでは、教師付き学習はトレーニング分布と同様のスペクトルの精度が得られたが、トレーニング分布を超えて外挿した場合に顕著な劣化が見られた。
テスト時間適応は、OoD効果に対してより弾力性を示し、自己教師型学習は中間的性能を達成した。
In-vivo実験では、ドメインシフトによるメソッド(データ駆動とモデルベース)のばらつきが大きくなった。
すべての戦略において、メタボライトとベースラインの多様性の重複は永続的な課題のままであった。
MRS代謝物定量化のためのデータ駆動手法により高い性能が得られるが、その信頼性はトレーニング分布と潜在的なOoD効果を慎重に考慮することに集中している。
対象分布におけるそのような条件が予測できない場合、テスト時適応戦略は、定量化、データ、モデル間の整合性を確保し、信頼性の高いデータ駆動型MSSパイプラインを実現する。
関連論文リスト
- Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。
実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。
モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
論文 参考訳（メタデータ） (2025-11-24T19:34:53Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials [5.955636672018519]
機械学習原子間ポテンシャル(MLIP)は正確な原子モデルを可能にするが、信頼性のある不確実性定量化(UQ)はいまだ解明されていない。
本研究では,原子クラスター拡張フレームワーク内でのアンサンブル学習とD-最適性の2つのUQ戦略について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:52:49Z) - Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。
本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2025-06-13T15:27:40Z) - Model-agnostic Mitigation Strategies of Data Imbalance for Regression [0.0]
データ不均衡は、回帰タスクにおいて広範囲にわたる課題として持続し、モデルパフォーマンスのバイアスを導入し、予測信頼性を損なう。
既存のサンプリング手法を構築・改善する高度な緩和手法を提案する。
モデルのアンサンブル(不均衡緩和で訓練されたモデルと、非バランスで訓練されたモデル)の構築は、これらの負の効果を著しく減少させることを実証する。
論文 参考訳（メタデータ） (2025-06-02T09:46:08Z) - Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。
学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。
また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文 参考訳（メタデータ） (2025-02-14T03:26:57Z) - Energy-Based Models for Anomaly Detection: A Manifold Diffusion Recovery
Approach [12.623417770432146]
本稿では,データ内の低次元構造を利用した異常検出のための新しいエネルギーベースモデル(EBM)のトレーニング手法を提案する。
提案したアルゴリズムであるManifold Projection-Diffusion Recovery (MPDR) は、トレーニングデータセットを近似した低次元多様体に沿ったデータポイントを摂動する。
実験の結果,MPDRは多種多様なデータ型を含む様々な異常検出タスクに対して高い性能を示すことがわかった。
論文 参考訳（メタデータ） (2023-10-28T11:18:39Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z)
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。