論文の概要: PRISM: Differentiable Analysis-by-Synthesis for Fixel Recovery in Diffusion MRI

• arxiv url: http://arxiv.org/abs/2604.00250v1
• Date: Tue, 31 Mar 2026 21:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.729964
• Title: PRISM: Differentiable Analysis-by-Synthesis for Fixel Recovery in Diffusion MRI
• Title（参考訳）: PRISM:Diffusion MRIにおけるFixelリカバリのための解析と合成
• Authors: Mohamed Abouagour, Atharva Shah, Eleftherios Garyfallidis,
• Abstract要約: この研究は、多部構成のフォワードモデルとエンドツーエンドの脳脊髄モデルに適合する、微分可能な分析バイシンセシスフレームワークを紹介します。 PRISMは高速MSE目標と情報無しで共同で学習するリッチ陰性対数類似度(NLL)をサポートする。 PRISMは、95%のリコールが最良基準線よりも1.9倍低い3.5度の角誤差を達成している。
• 参考スコア（独自算出の注目度）: 1.3063136334195184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI microstructure fitting is nonconvex and often performed voxelwise, which limits fiber peak recovery in narrow crossings. This work introduces PRISM, a differentiable analysis-by-synthesis framework that fits an explicit multi-compartment forward model end-to-end over spatial patches. The model combines cerebrospinal fluid (CSF), gray matter, up to K white-matter fiber compartments (stick-and-zeppelin), and a restricted compartment, with explicit fiber directions and soft model selection via repulsion and sparsity priors. PRISM supports a fast MSE objective and a Rician negative log-likelihood (NLL) that jointly learns sigma without oracle information. A lightweight nuisance calibration module (smooth bias field and per-measurement scale/offset) is included for robustness and regularized to identity in clean-data tests. On synthetic crossing-fiber data (SNR=30; five methods, 16 crossing angles), PRISM achieves 3.5 degrees best-match angular error with 95% recall, which is 1.9x lower than the best baseline (MSMT-CSD, 6.8 degrees, 83% recall); in NLL mode with learned sigma, error drops to 2.3 degrees with 99% recall, resolving crossings down to 20 degrees. On the DiSCo1 phantom (NLL mode), PRISM improves connectivity correlation over CSD baselines at all four tracking angles (best r=.934 at 25 degrees vs. .920 for MSMT-CSD). Whole-brain HCP fitting (~741k voxels, MSE mode) completes in ~12 min on a single GPU with near-identical results across random seeds.
• Abstract（参考訳）: 拡散MRIの微細構造フィッティングは非凸であり、細い交差において繊維ピークの回復を制限するボクセルワイドで行うことが多い。 PRISMは空間パッチ上でのマルチコンパートメント・フォワード・モデル・エンド・ツー・エンドに適合する、微分可能な分析合成フレームワークである。 このモデルは、脳脊髄液(CSF)、グレーマター、最大K個のホワイトマターファイバーコンパートメント(スティック・アンド・ゼッペリン)、および制限されたコンパートメントを組み合わせており、繊維方向やソフトモデルの選択は反発と疎結合によって行われる。 PRISMは、高速なMSE目標と、オラクル情報なしでシグマを共同で学習するリッチ陰性ログ類似度(NLL)をサポートする。 スムースバイアス場と測定単位のスケール/オフセット)の軽量なニュアンスキャリブレーションモジュールは、クリーンデータテストにおいて頑健さと恒常化のために含まれる。 合成クロスファイバデータ(SNR=30、5手法、16交差角)では、PRISMは95%リコールで3.5度、最高ベースライン(MSMT-CSD、6.8度、83%リコール)より1.9倍低いベストマッチ角誤差を達成し、学習シグマを持つNLLモードでは、エラーは2.3度まで減少し、リコールは99%リコールで20度まで減少する。 DiSCo1ファントム(NLLモード)では、PRISMは4つの追跡角度でCSDベースライン間の接続関係を改善する(MSMT-CSDでは.920対25°でr=.934)。 全脳のHCPフィッティング(約741kのボクセル、MSEモード)は、1つのGPU上で約12分で完了する。

関連論文リスト

• Less is More in Semantic Space: Intrinsic Decoupling via Clifford-M for Fundus Image Classification [13.23226865033351]
  フィードフォワード展開と周波数分割モジュールを疎幾何学的相互作用で置き換える軽量バックボーンであるClifford-Mを提案する。 プリトレーニングなしでは、Clifford-M は平均 AUC-ROC が 0.8142 で、平均マクロF1 が 0.5481 で、ODIR-5K は 0.85M のパラメータしか持たない。
  論文  参考訳（メタデータ） (2026-03-21T13:00:05Z)
• K-GMRF: Kinetic Gauss-Markov Random Field for First-Principles Covariance Tracking on Lie Groups [8.489406212619164]
  共分散追跡のためのオンライン学習自由フレームワークK-GMRFを提案する。 本手法は, 構造保存型シンプレクティックインテグレータにより伝搬される潜在角速度を駆動するトルクとして観測を解釈する。 理論的には、この2階の力学が一定回転下でゼロ定常誤差を達成することを証明している。
  論文  参考訳（メタデータ） (2026-03-20T03:16:36Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• DS-CIM: Digital Stochastic Computing-In-Memory Featuring Accurate OR-Accumulation via Sample Region Remapping for Edge AI Models [8.92683306412944]
  本稿では,高い精度と効率を実現するデジタルCIM(DS-CIM)アーキテクチャを提案する。 データ表現を変更することで、コンパクトで符号のないORベースの回路に乗算累積(MAC)を実装する。 我々のコア戦略である2Dの共有ランダム数生成器(PRNG)は、単一サイクルの排他的アクティベーションによりORゲート衝突を排除します。
  論文  参考訳（メタデータ） (2026-01-10T23:56:33Z)
• Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement [3.7765281299298015]
  我々は,3軸加速度の短い窓から発生するパーキンソン病(PD)の歩行検出のためのデバイス上での時系列解析について検討した。 1つの文献ベースライン(分離可能な畳み込み)と2つのウルトラライトモデル(純粋に分離可能なもの)である。
  論文  参考訳（メタデータ） (2025-11-29T08:52:41Z)
• Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
  内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。 リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-05T20:14:48Z)
• Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch [72.97553348776425]
  スーパーバイザード・ファインチューニング (SFT) LMの能力に影響を与えることなく、ほとんどのデルタパラメータを設定するためにDAREを導入する。 次に、DAREを汎用プラグインとして使用し、複数のSFTモデルのデルタパラメータを分散し、それらを単一のモデルにマージする。 また、DAREを使用して、Open Leaderboardで70億のパラメータを持つモデルの中で、第1位にランクインした統合LMを作成します。
  論文  参考訳（メタデータ） (2023-11-06T13:43:07Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)

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。