論文の概要: Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2603.09359v1
• Date: Tue, 10 Mar 2026 08:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.156236
• Title: Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification
• Title（参考訳）: 残差不確実性量子化を用いた証拠拡散物理学インフォームドニューラルネットワーク
• Authors: Junhyeok Lee, Minseo Choi, Han Jang, Young Hun Jeon, Heeseong Eum, Joon Jang, Chul-Ho Sohn, Kyu Sung Choi,
• Abstract要約: Evidential Perfusion Physics-Informed Neural Networks (EPPINN) を提案する。 EPPINNは、古典的なデコンボリューションやPINNベースラインよりも低い正規化平均絶対誤差を達成する。 臨床データでは、EPPINNは、最も高いボクセルレベルおよびケースレベルの梗塞コア検出感度を達成している。
• 参考スコア（独自算出の注目度）: 1.96119233299268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) have shown promise in addressing the ill-posed deconvolution problem in computed tomography perfusion (CTP) imaging for acute ischemic stroke assessment. However, existing PINN-based approaches remain deterministic and do not quantify uncertainty associated with violations of physics constraints, limiting reliability assessment. We propose Evidential Perfusion Physics-Informed Neural Networks (EPPINN), a framework that integrates evidential deep learning with physics-informed modeling to enable uncertainty-aware perfusion parameter estimation. EPPINN models arterial input, tissue concentration, and perfusion parameters using coordinate-based networks, and places a Normal--Inverse--Gamma distribution over the physics residual to characterize voxel-wise aleatoric and epistemic uncertainty in physics consistency without requiring Bayesian sampling or ensemble inference. The framework further incorporates physiologically constrained parameterization and stabilization strategies to promote robust per-case optimization. We evaluate EPPINN on digital phantom data, the ISLES 2018 benchmark, and a clinical cohort. On the evaluated datasets, EPPINN achieves lower normalized mean absolute error than classical deconvolution and PINN baselines, particularly under sparse temporal sampling and low signal-to-noise conditions, while providing conservative uncertainty estimates with high empirical coverage. On clinical data, EPPINN attains the highest voxel-level and case-level infarct-core detection sensitivity. These results suggest that evidential physics-informed learning can improve both accuracy and reliability of CTP analysis for time-critical stroke assessment.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、急性虚血性脳卒中評価のためのCTP(Computed tomography Perfusion)イメージングにおいて、不適切な非畳み込み問題に対処する上で有望であることを示す。 しかし、既存のPINNベースのアプローチは決定論的であり、物理制約違反に関連する不確実性を定量化せず、信頼性評価を制限している。 Evidential Perfusion Physics-Informed Neural Networks (EPPINN) を提案する。 EPPINNは、座標ベースのネットワークを用いて動脈入力、組織濃度、灌流パラメータをモデル化し、正常-逆-ガンマ分布を物理上の残留物に配置し、ベイズサンプリングやアンサンブル推論を必要とせずに、物理の一貫性におけるボクセル的およびてんかんの不確実性を特徴づける。 このフレームワークは、より堅牢なケースごとの最適化を促進するために、生理学的に制約されたパラメータ化と安定化戦略を取り入れている。 我々はEPPINNをデジタルファントムデータ、ISLES 2018ベンチマーク、臨床コホートで評価した。 評価されたデータセットでは、EPPINNは古典的なデコンボリューションやPINNベースラインよりも低い正規化平均絶対誤差を達成する。 臨床データでは、EPPINNは、最も高いボクセルレベルおよびケースレベルの梗塞コア検出感度を達成している。 これらの結果から,明らかな物理インフォームドラーニングによってCTP解析の精度と信頼性が向上し,時間クリティカルストロークアセスメントの精度が向上することが示唆された。

関連論文リスト

• Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems [11.570920716097552]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される逆問題を解決するための有望な枠組みを提供する PDE逆問題の性質の悪さはノイズに非常に敏感である。 P-PINNは、事前訓練されたPINNにおいて、破損したデータの影響を解き放つために設計された選択型プルーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-02-23T15:29:50Z)
• Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics [1.1417805445492082]
  既存のPINベースの予後のアプローチは、決定論的あるいは不確実性のみを考慮し、リスク認識による意思決定に対する適合性を制限している。 この研究は、BNNと物理ベースの残差法則と事前分布を統合した、異例のベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入する。 その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,系統的不確実性の推定精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T07:54:09Z)
• Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
  本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-09-19T12:39:15Z)
• 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)
• Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference [10.530131993583623]
  科学機械学習における不確かさの定量化はますます重要になっている。 物理インフォームドニューラルネットワーク(PINN)の場合、不確実性は通常ベイズ的あるいはドロップアウト的手法を用いて定量化される。 本稿では,PINNに対する厳密な不確実性定量化を実現するために,拡張フィデューシャル推論(EFI)の枠組み内での新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-25T13:18:13Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty Quantification [44.598503284186336]
  Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。 CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
  論文  参考訳（メタデータ） (2022-03-18T23:26:20Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)

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。