論文の概要: Error Bound Analysis of Physics-Informed Neural Networks-Driven T2 Quantification in Cardiac Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2512.14211v1
- Date: Tue, 16 Dec 2025 09:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-17 16:49:26.650464
- Title: Error Bound Analysis of Physics-Informed Neural Networks-Driven T2 Quantification in Cardiac Magnetic Resonance Imaging
- Title（参考訳）: 物理インフォームドニューラルネットワークによる心磁気共鳴イメージングにおけるT2量子化の誤差境界解析
- Authors: Mengxue Zhang, Qingrui Cai, Yinyin Chen, Hang Jin, Jianjun Zhou, Qiu Guo, Peijun Zhao, Zhiping Mao, Xingxing Zhang, Yuyu Xia, Xianwang Jiang, Qin Xu, Chunyan Xiong, Yirong Zhou, Chengyan Wang, Xiaobo Qu,
- Abstract要約: 磁気共鳴画像(MRI)の定量的パラメータ推定手法としての物理インフォームドニューラルネットワーク(PINN)
本稿では,MRIの基本物理であるブロッホ方程式を,ターゲットスキャンデータのみに基づくPINNの損失に埋め込むことを提案し,事前定義されたトレーニングデータベースを必要としない。
基底の真理や金の標準にアクセスできなくても、この理論は真の量的パラメータ T2 に関する誤差を推定することができる。
- 参考スコア（独自算出の注目度）: 14.797002536190428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-Informed Neural Networks (PINN) are emerging as a promising approach for quantitative parameter estimation of Magnetic Resonance Imaging (MRI). While existing deep learning methods can provide an accurate quantitative estimation of the T2 parameter, they still require large amounts of training data and lack theoretical support and a recognized gold standard. Thus, given the absence of PINN-based approaches for T2 estimation, we propose embedding the fundamental physics of MRI, the Bloch equation, in the loss of PINN, which is solely based on target scan data and does not require a pre-defined training database. Furthermore, by deriving rigorous upper bounds for both the T2 estimation error and the generalization error of the Bloch equation solution, we establish a theoretical foundation for evaluating the PINN's quantitative accuracy. Even without access to the ground truth or a gold standard, this theory enables us to estimate the error with respect to the real quantitative parameter T2. The accuracy of T2 mapping and the validity of the theoretical analysis are demonstrated on a numerical cardiac model and a water phantom, where our method exhibits excellent quantitative precision in the myocardial T2 range. Clinical applicability is confirmed in 94 acute myocardial infarction (AMI) patients, achieving low-error quantitative T2 estimation under the theoretical error bound, highlighting the robustness and potential of PINN.
- Abstract（参考訳）: 磁気共鳴画像(MRI)の定量的パラメータ推定手法として物理インフォームドニューラルネットワーク(PINN)が提案されている。
既存のディープラーニング手法では、T2パラメータの正確な定量化が可能だが、それでも大量のトレーニングデータが必要であり、理論的なサポートが欠如しており、ゴールドスタンダードが認識されている。
したがって、T2推定のためのPINNベースのアプローチが存在しないことから、ターゲットスキャンデータにのみ依存し、事前定義されたトレーニングデータベースを必要としないPINNの損失に対して、MRIの基本物理であるBloch方程式を埋め込むことを提案する。
さらに,T2推定誤差とBloch方程式解の一般化誤差の両方に対して厳密な上限を導出することにより,PINNの定量的精度を評価する理論的基礎を確立する。
基底の真理や金の標準にアクセスできなくても、この理論は実際の量的パラメータ T2 に関する誤差を推定することができる。
T2マッピングの精度と理論的解析の妥当性を数値的な心モデルと水ファントムで示し, 心筋T2範囲で優れた定量精度を示した。
94例の急性心筋梗塞(AMI)患者に臨床応用性を確認し, 理論的誤差境界下での低エラー量T2推定を達成し, PINNの堅牢性と可能性を強調した。
関連論文リスト
- An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
DRQ-learnerと呼ばれる新しいメタラーナーを開発した。
DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
論文 参考訳（メタデータ） (2025-09-30T15:49:29Z) - Evidential Physics-Informed Neural Networks for Scientific Discovery [0.42481744176244507]
E-PINN(Evidential Physics-Informed Neural Network)
E-PINN(Evidential Physics-Informed Neural Network)の基礎となる理論と実装ガイドラインについて述べる。
論文 参考訳（メタデータ） (2025-09-18T03:06:14Z) - qMRI Diffuser: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model [1.1278063431495107]
定量的MRI(qMRI)は、組織特性に関連する客観的パラメータを提供することにより、重み付け画像よりも大きな利点を提供する。
深層学習に基づく手法は、一連の重み付き画像から定量的マップを推定する効果を実証している。
深部生成モデルを用いたqMRIの新しい手法であるqMRIディフューザを提案する。
論文 参考訳（メタデータ） (2024-07-23T13:49:19Z) - Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。
本稿では,一般NNのICB解析を行うためのフレームワークを提案する。
また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
論文 参考訳（メタデータ） (2023-05-13T21:44:32Z) - P2T2: a Physically-primed deep-neural-network approach for robust
$T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI [0.0]
MRIデータからT$の緩和時間分布を推定すると、様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが得られる。
ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T$分布を推定する逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データには十分ではない。
我々は、信号減衰を前方に組み込む、$PT$と呼ばれる物理的に高価なDNNアプローチを提案する。
論文 参考訳（メタデータ） (2022-12-08T09:20:11Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳（メタデータ） (2022-02-18T18:07:54Z) - Rethinking Influence Functions of Neural Networks in the
Over-parameterized Regime [12.501827786462924]
インフルエンス関数(IF)は、ニューラルネットワークにおける1つのトレーニングポイントを除去する効果を測定するように設計されている。
ニューラルネットワークの平均二乗損失を正規化して訓練したニューラルネットワークのIFを計算するために,ニューラルタンジェントカーネル(NTK)理論を用いる。
論文 参考訳（メタデータ） (2021-12-15T17:44:00Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリ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言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - 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) - A Generalized Neural Tangent Kernel Analysis for Two-layer Neural
Networks [87.23360438947114]
重み劣化を伴う雑音勾配降下は依然として「カーネル様」の挙動を示すことを示す。
これは、トレーニング損失が一定の精度まで線形に収束することを意味する。
また,重み劣化を伴う雑音勾配勾配勾配で学習した2層ニューラルネットワークに対して,新しい一般化誤差を確立する。
論文 参考訳（メタデータ） (2020-02-10T18:56:15Z)
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。