論文の概要: Data-driven Synthesis of Magnetic Resonance Spectroscopy Data using a Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2603.00736v1
• Date: Sat, 28 Feb 2026 16:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.345764
• Title: Data-driven Synthesis of Magnetic Resonance Spectroscopy Data using a Variational Autoencoder
• Title（参考訳）: 変分オートエンコーダを用いた磁気共鳴分光データのデータ駆動合成
• Authors: Dennis M. J. van de Sande, Julian P. Merkofer, Sina Amirrajab, Mitko Veta, Gerhard S. Drenthen, Jacobus F. A. Jansen, Marcel Breeuwer,
• Abstract要約: 本研究では,単ボクセル分光データのみに特化して訓練された可変オートエンコーダ(VAE)を用いて,生体内MRSデータを合成するためのデータ駆動フレームワークを提案する。 VAEは複素数値スペクトルの低次元潜在表現を学習し、潜在空間サンプリングと合成により新しいサンプルを生成することができる。 その結果,VOEは主成分パターンを正確に再構成し,生体内データと同じ特徴空間を占める合成スペクトルを生成することがわかった。
• 参考スコア（独自算出の注目度）: 1.7789378551794652
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The development of deep learning methods for magnetic resonance spectroscopy (MRS) is often hindered by limited availability of large, high-quality training datasets. While physics-based simulations are commonly used to mitigate this limitation, accurately modeling all in-vivo signal components remains challenging. In this work, we propose a data-driven framework for synthesizing in-vivo MRS data using a variational autoencoder (VAE) trained exclusively on measured single-voxel spectroscopy data. The model learns a low-dimensional latent representation of complex-valued spectra and enables generation of new samples through latent-space sampling and interpolation. The generative performance of the proposed approach is evaluated using a comprehensive set of complementary analyses, including reconstruction quality, feature-level similarity using low-dimensional embeddings, application-based signal quality metrics, and metabolite quantification agreement. The results demonstrate that the VAE accurately reconstructs dominant spectral patterns and generates synthetic spectra that occupy the same feature space as in-vivo data. In an example application targeting GABA-edited spectroscopy, augmenting limited subsets of transients with synthetic spectra improves signal quality metrics such as signal-to-noise ratio, linewidth, and shape scores. However, the results also reveal limitations of the generative approach, including under-representation of stochastic noise and reduced accuracy in absolute metabolite quantification, particularly for applications sensitive to concentration estimates. These findings highlight both potential and limitations of data-driven MRS synthesis. Beyond the proposed model, this study introduces a structured evaluation framework for generative MRS methods, emphasizing the importance of application-aware validation when synthetic data are used for downstream analysis.
• Abstract（参考訳）: 磁気共鳴分光法(MRS)の深層学習法の開発は、大規模で高品質なトレーニングデータセットの可用性の制限によってしばしば妨げられる。 物理学に基づくシミュレーションは、この制限を緩和するために一般的に使われているが、生き残った全ての信号成分を正確にモデル化することは依然として困難である。 本研究では,単ボクセル分光データのみに特化して訓練された変分オートエンコーダ(VAE)を用いて,生体内MRSデータを合成するためのデータ駆動型フレームワークを提案する。 このモデルは、複素数値スペクトルの低次元潜在表現を学習し、潜在空間サンプリングと補間により新しいサンプルを生成することができる。 提案手法の生成性能は,再構成品質,低次元埋め込みを用いた特徴レベル類似度,アプリケーションベースの信号品質指標,メタボライト定量化合意など,総合的な相補的分析を用いて評価する。 その結果,VOEは主成分パターンを正確に再構成し,生体内データと同じ特徴空間を占める合成スペクトルを生成することがわかった。 GABA編集分光を対象とする例として、合成スペクトルによる過渡スペクトルの限られた部分集合の増大は、信号-雑音比、線幅、形状スコアなどの信号品質の指標を改善する。 しかし、この結果は、特に濃度推定に敏感な応用において、確率的ノイズの低表現と絶対代謝物定量化の精度の低下を含む、生成的アプローチの限界も明らかにした。 これらの結果は、データ駆動型MSS合成の可能性と限界の両方を浮き彫りにした。 本研究は, 合成データを用いた下流解析におけるアプリケーション認識検証の重要性を強調し, 生成型MSS手法の構造化評価フレームワークを提案する。

関連論文リスト

• Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences [3.976291254896486]
  本稿では,ピーク対応条件生成モデルに基づく人工知能識別フレームワークを提案する。 このフレームワークは、GC-MSデータの特徴的ピークをハイライトする新しいピーク対応メカニズムで学習される。 さらに、化学および溶媒情報は、それに埋め込まれた潜伏ベクトルに符号化され、条件付き生成対向ニューラルネットワークが合成GC-MS信号を生成する。
  論文  参考訳（メタデータ） (2026-01-29T04:10:37Z)
• 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)
• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• AI-driven Generation of MALDI-TOF MS for Microbial Characterization [1.3155923068686746]
  本研究では,MALDI-TOF MSスペクトルを合成するための深層生成モデルについて検討した。 我々は3つの生成モデル、変分オートエンコーダ(MALDIVAEs)、生成共振器ネットワーク(MALDIGANs)、確率モデル(MALDIffusion)を適応・評価する。 実験により、MALDIVAE、MALDIGAN、MALDIffusionによって生成された合成データは、統計的に、診断的に実測値に匹敵することがわかった。
  論文  参考訳（メタデータ） (2025-11-18T10:01:21Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions [4.0097349146966925]
  技術に依存しない自動スペクトル分析のための機械学習(ML)フレームワークを提案する。 OASISは、戦略的に設計された合成データセットでトレーニングされたモデルを通じて、その汎用性を達成する。 本研究は、高性能MLモデルを開発するための重要な資源効率戦略として、損失関数の最適化を強調した。
  論文  参考訳（メタデータ） (2025-09-15T01:28:51Z)
• 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)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)

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。