論文の概要: Agentic AI Reasoning and Learned Sampling for Task-Aware Projection Selection in Sparse-View CT: Predicting Hemodynamics
- arxiv url: http://arxiv.org/abs/2610.39003v1
- Date: Wed, 28 Oct 2026 22:30:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.015667
- Title: Agentic AI Reasoning and Learned Sampling for Task-Aware Projection Selection in Sparse-View CT: Predicting Hemodynamics
- Title（参考訳）: スパースCTにおけるタスク認識投影選択のためのエージェントAI推論と学習サンプリング:血行動態の予測
- Abstract要約: 従来のサンプリング戦略は、主に下流の物理的推論ではなく、画像再構成のために設計されている。
そこで本研究では,Sparse CT angiography (CTA) 測定から血行動態を直接予測するタスク・アウェア・プロジェクションの選択について検討した。
我々は、Gumbel-Softmax、Soft Top-Kメソッド、エージェントAIセレクタの3つのタスク対応最適選択戦略を用いて、固定された制服とゴールデンアングルサンプリングを比較した。
- 参考スコア（独自算出の注目度）: 0.4369550829556577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse-view computed tomography (CT) reduces the number of acquired projections, but conventional sampling strategies are designed primarily for image reconstruction rather than for downstream physical inference. Here, we investigate optimal task-aware projection selection for directly predicting hemodynamics from sparse CT angiography (CTA) measurements. Using computational fluid dynamics simulations of intracranial aneurysms, we generate synthetic fan-beam CTA projections and train a Fourier neural operator (FNO) to predict two targets: the spatially resolved time-averaged wall shear stress (TAWSS) field and the spatially averaged TAWSS. The FNO was coupled with optimal input selection for simultaneous optimal sampling and training. Our goal was to investigate if agentic AI could discover optimal sampling strategies that outperform current methods. We compared fixed uniform and golden-angle sampling with three task-aware optimal selection strategies: Gumbel-Softmax, a Soft top-K method, and an agentic AI selector. The methods were compared at different view selection budgets. A detailed analysis of the AI agent was performed to understand its reasoning and performance. For spatially resolved TAWSS, Agentic and Soft top-K achieve the lowest mean errors (Agentic performs slightly better) and substantially outperform fixed sampling under extreme sparsity. For spatially averaged TAWSS, optimized selection becomes important at extremely sparse acquisitions. Analysis of the selected masks reveals multiple distinct subsets concentrated around informative regions. Moreover, masks optimized for hemodynamic prediction yield poor image reconstructions, showing that task-optimal acquisition differs fundamentally from reconstruction-optimal acquisition. This work suggests the possibility of designing sparse acquisitions directly around downstream physical quantities.
- Abstract（参考訳）: スパースビューCT(Sparse-view Computed Tomography)は、取得したプロジェクションの数を減少させるが、従来のサンプリング方法は、下流の物理的推論ではなく、主に画像再構成のために設計されている。
そこで本研究では,Sparse CT angiography (CTA) 測定から血行動態を直接予測するタスク・アウェア・プロジェクションの選択について検討した。
頭蓋内大動脈瘤の数値流体力学シミュレーションを用いて、合成ファンビームCTAプロジェクションを生成し、フーリエ神経オペレーター(FNO)を訓練し、空間的に解決された時間平均壁せん断応力(TAWSS)フィールドと空間平均TAWSSの2つのターゲットを予測する。
FNOは、同時最適サンプリングとトレーニングのための最適入力選択と結合した。
我々の目標は、エージェントAIが現在の手法より優れた最適なサンプリング戦略を発見できるかどうかを調査することであった。
我々は、Gumbel-Softmax、Soft Top-K法、エージェントAIセレクタの3つのタスク対応最適選択戦略を用いて、固定ユニフォームとゴールデンアングルサンプリングを比較した。
これらの手法は、異なる視点選択予算で比較された。
その推論と性能を理解するため、AIエージェントの詳細な分析を行った。
空間分解TAWSSでは,エージェントとソフトトポ-Kは平均誤差が最小(Agenticはわずかに良い)であり,極端に間隔の低い固定サンプリングよりも大幅に優れていた。
空間平均化TAWSSでは、極端にスパースな獲得において最適化された選択が重要となる。
選択されたマスクの分析では、情報領域を中心に複数の異なるサブセットが集中していることが明らかになった。
さらに、血行予測に最適化されたマスクは、画像再構成の貧弱さを生じさせ、タスク最適取得とタスク最適取得とが根本的に異なることを示す。
この研究は、下流の物理量を直接的にスパース買収を設計する可能性を示唆している。
関連論文リスト
- From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Model Agnostic Preference Optimization for Medical Image Segmentation [5.289507655906182]
優先度最適化は、相対的な優先順位信号に基づくスケーラブルな監視パラダイムを提供する。
我々は,Dropout-driven segmentation仮説を用いたトレーニングフレームワークMAPO(Model-A Preference Optimization)を提案する。
MAPOは完全に次元に依存しない2D/3D CNNとTransformerベースのセグメンテーションパイプラインをサポートする。
論文 参考訳（メタデータ） (2025-12-17T01:50:52Z) - Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。
DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
論文 参考訳（メタデータ） (2025-07-10T07:57:30Z) - Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。
DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。
本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
論文 参考訳（メタデータ） (2024-04-22T18:18:41Z) - Stochastic Optimal Control Matching [53.156277491861985]
最適制御のための新しい反復拡散最適化(IDO)技術である最適制御マッチング(SOCM)を導入する。
この制御は、一致するベクトル場に適合しようとすることで、最小二乗問題を通じて学習される。
実験により,本アルゴリズムは最適制御のための既存のすべての IDO 手法よりも低い誤差を実現する。
論文 参考訳（メタデータ） (2023-12-04T16:49:43Z) - Efficient first-order predictor-corrector multiple objective
optimization for fair misinformation detection [5.139559672771439]
多重目的最適化(MOO)は、複数の競合する目的を同時に最適化することを目的としており、機械学習において重要な応用を見出した。
本稿では,線形にしかスケールしないガウスニュートン近似を提案し,イテレーション毎に一階内積しか必要としない。
このイノベーションは、大規模ネットワークで予測器のコレクタを可能にする。
論文 参考訳（メタデータ） (2022-09-15T12:32:15Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Towards learned optimal q-space sampling in diffusion MRI [1.5640063295947522]
ファイバトラクトグラフィーのための統一的な推定フレームワークを提案する。
提案手法は,信号推定の精度とそれに続く解析精度を大幅に向上させる。
本稿では,Human Connectome Projectデータに基づく包括的比較分析を提案する。
論文 参考訳（メタデータ） (2020-09-07T10:46:12Z) - Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality [0.0]
血液から特定の遺伝子の発現レベルを定量化することにより、患者の免疫反応を特徴づけることにより、両方のタスクを遂行する潜在的によりタイムリーで正確な手段を示す。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
急性感染症の診断分類器の開発におけるHO法と29の診断マーカーの遺伝子発現による院内死亡率の比較を行った。
論文 参考訳（メタデータ） (2020-03-27T10:22:02Z)
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。