論文の概要: HyperFitS -- Hypernetwork Fitting Spectra for metabolic quantification of ${}^1$H MR spectroscopic imaging
- arxiv url: http://arxiv.org/abs/2604.03150v1
- Date: Fri, 03 Apr 2026 16:13:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.531019
- Title: HyperFitS -- Hypernetwork Fitting Spectra for metabolic quantification of ${}^1$H MR spectroscopic imaging
- Title（参考訳）: HyperFitS -- Supernetwork Fitting Spectra for metabolic Quantification of ${}^1$H MR Spectroscopic Imaging
- Authors: Paul J. Weiser, Gulnur Ungan, Amirmohammad Shamaei, Georg Langs, Wolfgang Bogner, Malte Hoffmann, Antoine Klauser, Ovidiu C. Andronesi,
- Abstract要約: 本稿では,全脳MRSIにおける代謝物定量化のためのスペクトルフィッティングのためのハイパーネットワークであるHyperFitSを紹介する。
HyperFitSは幅広いベースライン補正と水抑制因子に柔軟に適応する。
結果: HyperFitSは、処理時間を数時間から数秒に短縮しつつ、最先端の従来手法と強く一致している。
- 参考スコア（独自算出の注目度）: 1.7384836858976056
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: Proton magnetic resonance spectroscopic imaging ($^1$H MRSI) enables the mapping of whole-brain metabolites concentrations in-vivo. However, a long-standing problem for its clinical applicability is the metabolic quantification, which can require extensive time for spectral fitting. Recently, deep learning methods have been able to provide whole-brain metabolic quantification in only a few seconds. However, neural network implementations often lack configurability and require retraining to change predefined parameter settings. Methods: We introduce HyperFitS, a hypernetwork for spectral fitting for metabolite quantification in whole-brain $^1$H MRSI that flexibly adapts to a broad range of baseline corrections and water suppression factors. Metabolite maps of human subjects acquired at 3T and 7T with isotropic resolutions of 10 mm, 3.4 mm and 2 mm by water-suppressed and water-unsuppressed MRSI were quantified with HyperFitS and compared to conventional LCModel fitting. Results: Metabolic maps show a substantial agreement between the new and gold-standard methods, with significantly faster fitting times by HyperFitS. Quantitative results further highlight the impact of baseline parametrization on metabolic quantification, which can alter results by up to 30%. Conclusion: HyperFitS shows strong agreement with state-of-the-art conventional methods, while reducing processing times from hours to a few seconds. Compared to prior deep learning based spectral fitting methods, HyperFitS enables a wide range of configurability and can adapt to data quality acquired with multiple protocols and field strengths without retraining.
- Abstract（参考訳）: 目的:プロトン磁気共鳴分光画像(^1$H MRSI)は脳全体の代謝物濃度のマッピングを可能にする。
しかし、その臨床応用性に関する長年の問題は代謝定量化であり、スペクトルフィッティングに広範囲の時間を要する可能性がある。
近年,深層学習法は脳全体の代謝定量化をわずか数秒で実現している。
しかし、ニューラルネットワークの実装は、しばしば構成性に欠けており、事前に定義されたパラメータ設定を変更するために再トレーニングを必要とする。
方法: 全脳における代謝物定量化のためのハイパーネットワークであるHyperFitSを導入する。
3Tおよび7Tで取得したヒトのメタボライトマップを10mm,3.4mm,2mmの等方分解能で加水処理したMRSIをHyperFitSで定量し,従来のLCModelフィッティングと比較した。
結果: メタボリックマップは,新標準法と金標準法の間にかなりの一致を示し,HyperFitSの適合時間が大幅に短縮された。
定量結果は、メタボリック定量化に対するベースラインのパラメトリゼーションの影響をさらに強調し、その結果を最大30%変化させることができる。
結論: HyperFitSは、処理時間を数時間から数秒に短縮しつつ、最先端の従来手法と強く一致している。
従来のディープラーニングベースのスペクトルフィッティング法と比較して、HyperFitSは幅広い構成が可能であり、複数のプロトコルとフィールド強度で取得したデータ品質に適応できる。
関連論文リスト
- Spectral Gating Networks [65.9496901693099]
我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。
SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。
計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
論文 参考訳（メタデータ） (2026-02-07T20:00:49Z) - Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE) [0.0]
本稿では,物理構造を持つ変分オートエンコーダ(PS-VAE)について述べる。
本法は, マルチプロトンプール化学交換飽和輸送 (CEST) および半固体磁化移動 (MT) 分子MRF法で検証した。
論文 参考訳（メタデータ） (2026-02-03T09:46:55Z) - HarmoQ: Harmonized Post-Training Quantization for High-Fidelity Image [41.75267686720313]
HarmoQは3つの相乗的なステップを通じて、コンポーネント間の量子化を調和させる統合フレームワークである。
HarmoQは2ビットのSet5で0.46dBの先行技術より優れている。
この研究は、超高分解能量子化における重み-活性化結合の最初の体系的解析を提供する。
論文 参考訳（メタデータ） (2025-11-08T05:53:47Z) - Separated-Variable Spectral Neural Networks: A Physics-Informed Learning Approach for High-Frequency PDEs [21.081644719506453]
分離可変スペクトルニューラルネットワーク(SV-SNN)は、ニューラルPDE解決におけるスペクトルバイアス問題に対処する新しいフレームワークである。
SV-SNNは1～3桁の精度向上を実現し,パラメータ数を90%以上削減した。
論文 参考訳（メタデータ） (2025-08-01T13:40:10Z) - JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。
従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。
本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
論文 参考訳（メタデータ） (2025-05-12T23:32:21Z) - Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy [13.797945335120056]
本研究は,代謝物濃度の後方分布を近似するために正規化フロー(SNF)を用いたベイズ推論フレームワークを導入する。
物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。
論文 参考訳（メタデータ） (2025-05-06T14:50:14Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations
of Imperfection Factors and Overall Macromolecular Signal [16.574504002037]
代謝物とプロトンMSSを正確に定量することは依然として困難である。
ディープラーニングは、この全体的な量的問題を解決する複雑さを減らすために導入された。
QnetはクラウドコンピューティングプラットフォームであるCloudBrain-MRSにデプロイされている。
論文 参考訳（メタデータ） (2023-06-16T08:24:18Z) - Multi-scale Super-resolution Magnetic Resonance Spectroscopic Imaging
with Adjustable Sharpness [8.298481644220848]
既存のディープラーニングベースのMRSI超解像法では、アップスケーリング係数ごとに個別のネットワークをトレーニングする必要がある。
本稿では、アップスケーリング係数に基づいて畳み込みフィルタを変調するフィルタスケーリング戦略を用いて、このマルチスケール超解像問題に取り組む。
我々のネットワークは、超解法メタボリックマップの知覚的シャープネスを1つのネットワーク内で調整できるように、対向損失の重みに条件付けされている。
論文 参考訳（メタデータ） (2022-06-17T19:33:41Z) - 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) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
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。