論文の概要: Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning
- arxiv url: http://arxiv.org/abs/2606.02044v1
- Date: Mon, 01 Jun 2026 10:35:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.798542
- Title: Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning
- Title（参考訳）: 現実的なノイズ合成はバイアスを低減し、教師あり機械学習による組織ミクロ組織推定を改善する
- Abstract要約: シミュレーション信号と取得信号のノイズ特性の差がマイクロ構造パラメータ推定に与える影響について検討する。
本稿では,現実的な雑音合成(RNS)フレームワークを提案する。
RNSは、Rician予測と効果的な後処理ノイズ分散の両方を模擬訓練信号に組み込む。
- 参考スコア（独自算出の注目度）: 0.2155083987188202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion MRI enables non-invasive probing of tissue microstructure, but accurate parameter estimation is challenged by noise-related effects. In supervised machine learning frameworks trained on simulated data, discrepancies between the noise characteristics of simulated and acquired signals introduce a form of covariate shift, whereby the input signal distribution differs between training and inference. We investigated the impact of this mismatch on microstructure parameter estimation and propose a realistic noise synthesis (RNS) framework to mitigate it. RNS incorporates both the Rician expectation and the effective post-processing noise variance into simulated training signals. The Rician expectation was modelled using a noise standard deviation estimated with MPPCA, while the effective standard deviation was derived from spherical harmonic residuals of preprocessed data. The method was evaluated using the cylinder-zeppelin and the SANDI models on simulated datasets across multiple SNR levels and on in vivo diffusion data with repeated acquisitions. Sensitivity to noise misestimation was also assessed. Ignoring magnitude-induced noise effects during training produced systematic, SNR-dependent parameter bias, particularly at low SNR. Incorporating the Rician expectation substantially reduced bias to the level of noise-aware nonlinear least-squares fitting. Modelling the effective standard deviation further improved precision. Performance was largely independent of regression architecture but sensitive to accurate noise estimation. These findings demonstrate that realistic noise modelling in simulated training data mitigates signal-domain covariate shift and is essential for unbiased supervised microstructure estimation, particularly in low-SNR regimes associated with high b-values or high spatial resolution.
- Abstract（参考訳）: 拡散MRIは組織微細構造の非侵襲的探傷を可能にするが、ノイズによる正確なパラメータ推定は困難である。
シミュレーションデータに基づいて訓練された教師付き機械学習フレームワークでは、シミュレートされた信号と取得された信号のノイズ特性の相違は共変量シフトの形で導入され、入力信号の分布はトレーニングと推論の間で異なる。
本研究では, このミスマッチがマイクロ構造パラメータ推定に与える影響について検討し, 現実的なノイズ合成(RNS)フレームワークを提案する。
RNSは、Rician予測と効果的な後処理ノイズ分散の両方をシミュレートされた訓練信号に組み込む。
実効標準偏差は前処理データの球面調和残差から導かれる。
シリンダーゼッペリンおよびSANDIモデルを用いて、複数のSNRレベルのシミュレーションデータセットと、繰り返し取得した生体内拡散データを用いて評価した。
ノイズ推定に対する感度も評価した。
トレーニング中の等級依存性雑音の影響を無視すると,SNR依存性パラメータバイアス,特に低SNRにおいて生じる。
リキアン予想を組み込むと、ノイズ対応の非線形最小二乗フィッティングのレベルへのバイアスが大幅に減少する。
効果的な標準偏差のモデル化により精度が向上した。
性能はほとんどレグレッションアーキテクチャとは独立していたが、正確なノイズ推定には敏感であった。
これらの結果は,信号領域の共変量シフトを緩和し,特に高b値や高空間分解能に関連する低SNR条件下での非バイアス制御マイクロ構造推定に不可欠であることを示す。
関連論文リスト
- Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression [2.436681150766912]
確率ベースディープニューラルネットワーク(DNN)推定器を用いたスムーズな非パラメトリック回帰関数の最小推定について検討した。
我々のフレームワークは低次元特徴とスパース高次元特徴の両方に対応している。
論文 参考訳（メタデータ） (2026-07-15T17:36:23Z) - SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。
我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2026-06-27T01:32:16Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - Implicit neural representations for accurate estimation of the standard model of white matter [2.1946354873884264]
本研究は、暗黙的ニューラル表現(INR)に基づく推定フレームワークを導入する。
INRは入力座標の正弦波符号化による空間正則化を含む。
SMパラメータの推定におけるINR法の精度は,特に低信号対雑音条件において優れていた。
論文 参考訳（メタデータ） (2025-06-18T15:40:42Z) - Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments [5.8166742412657895]
ディープニューラルネットワーク(DNN)は、さまざまなドメインで顕著な成功を収めているが、ノイズやトレーニングデータによってそのパフォーマンスが著しく低下する可能性がある。
本稿では,帰属誘導型データパーティショニング,識別的ニューロンプルーニング,およびノイズのあるサンプルの影響を軽減するための微調整を目的とした新しいフレームワークを提案する。
CIFAR-10の標準リトレーニングよりも約10%の絶対精度向上を実現し,ラベルノイズを注入した。
論文 参考訳（メタデータ） (2025-06-13T09:37:11Z) - Denoising and Reconstruction of Nonlinear Dynamics using Truncated Reservoir Computing [0.0]
本稿では,ノイズフィルタリングと非線形力学の再構成のための新しいReservoir Computing(RC)法を提案する。
動的パラメータにおける雑音強度, 雑音周波数, および劇的なシフトの観点から, RCの性能について検討した。
このフレームワークは低信号対雑音比と高周波範囲で競合精度を得る。
論文 参考訳（メタデータ） (2025-04-17T21:47:13Z) - Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。
noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。
NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
論文 参考訳（メタデータ） (2025-04-04T09:27:19Z) - Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。
本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
論文 参考訳（メタデータ） (2025-02-20T08:28:01Z) - Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z)
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。