論文の概要: Detection Instead of Inversion: T1-T2 Microstructure Quantification With Detection Transformers

• arxiv url: http://arxiv.org/abs/2611.01790v1
• Date: Sun, 01 Nov 2026 10:50:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:13:26.566035
• Title: Detection Instead of Inversion: T1-T2 Microstructure Quantification With Detection Transformers
• Title（参考訳）: インバージョンの代わりに検出:検出変換器を用いたT1-T2微構造量子化
• Abstract要約: T1-T2相関MRIは、生物学的モデルを導入することなく、微細構造を定量化する強い可能性を持っている。 検出変換器(DETR)は64のTI/TE信号を受信し、T1、T2、信号分数で指定されたコンパートメントのセットを直接予測する。 提案手法は,コンパートメント数,コンパートメント信号分数,SNRのほぼすべての設定において,NNLSよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.7347116793339614
• License:
• Abstract: T1-T2 correlation MRI has strong potential to quantify microstructural compartments without imposing a biological model. Traditionally, full T1-T2 spectra per voxel are reconstructed with an ill-conditioned and time-consuming Inverse Laplace Transform. We propose to view this challenge as an object detection task: A Detection Transformer (DETR) takes 64 TI/TE signals and directly predicts a set of compartments specified by T1, T2, and signal fraction. We achieve a mean average precision mAP@10 of 76.8% on simulated data, outperforming both our previous model design (53.8%) and regularized NNLS (66.1%). We show that our DETR approach outperforms NNLS in almost every setting across compartment count, compartmental signal fraction, and SNR. Reconstruction is orders of magnitude faster than NNLS. The results are fully reproducible from our public code: github.com/SebastianEndtTHI/t1t2-detr
• Abstract（参考訳）: T1-T2相関MRIは、生物学的モデルを導入することなく、微細構造を定量化する強い可能性を持っている。 伝統的に、1ボクセル当たりの完全なT1-T2スペクトルは、不調で時間のかかる逆ラプラス変換で再構成される。 検出変換器(DETR)は64のTI/TE信号を受信し,T1,T2,信号分数で指定されたコンパートメントのセットを直接予測する。 シミュレーションデータの平均精度mAP@10は76.8%で、これまでのモデル設計(53.8%)と正規化NNLS(66.1%)を上回ります。 提案手法は,コンパートメント数,コンパートメント信号分数,SNRのほぼすべての設定において,NNLSよりも優れていることを示す。 レコンストラクションはNNLSよりも桁違いに高速である。 結果は、我々の公開コードから完全に再現可能である。 github.com/SebastianEndtTHI/t1t2-detr

関連論文リスト

• Component-Level Inverse Design of Transmon Qubits Using Neural Networks [7.45295753336502]
  ニューラルネットワークワークフローを使用して、ハミルトンパラメータをコンポーネントレベルのレイアウトパラメータに直接ターゲットします。 従来のEMソルバに対する検証では、生成した設計の97%が使用可能なジオメトリを生成する。 その結果,コンポーネントレベルの設計は従来のEMシミュレーションを拡張・補完するのに有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-22T23:45:24Z)
• Do Transformers Actually Help Intrusion Detection? A Temporal Sequence Evaluation on CIC-IDS2017 [1.2934180951771597]
  我々はCIC-IDS 2017を、ネットワーク会話から順序付きフローシーケンスを構築することで、時間的侵入検出タスクとして再構成する。 中心的な発見は、アーキテクチャではなくパディング規約がトランスフォーマーのパフォーマンスを決定することである。 我々は、将来のIDS研究において、漏洩のない分割、明示的なパディング開示、シーケンシャル・アウェア・ベンチマークを標準的実践として推奨する。
  論文  参考訳（メタデータ） (2026-06-09T16:57:10Z)
• N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
  N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。 N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
  論文  参考訳（メタデータ） (2026-05-13T08:46:17Z)
• T1: One-to-One Channel-Head Binding for Multivariate Time-Series Imputation [6.002503434201551]
  さまざまな欠落パターンと重い欠落の下で、時系列で欠落する価値を示唆することは困難である。 本稿では,頑健な計算を実現するCNN-TransformerハイブリッドアーキテクチャであるT1(Time series imputation with 1-to-1 channel-head binding)を紹介する。 T1は最先端の性能を達成し、MSEを2番目に高いベースラインに比べて平均46%削減する。
  論文  参考訳（メタデータ） (2026-02-24T16:03:46Z)
• Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
  多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。 ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。 その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。 マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
  論文  参考訳（メタデータ） (2025-10-23T20:52:11Z)
• TSPulse: Dual Space Tiny Pre-Trained Models for Rapid Time-Series Analysis [12.034816114258803]
  TSPulseは、1Mパラメータしか持たない超コンパクトな時系列事前訓練モデルである。 分類、異常検出、インプット、検索タスクで強く機能する。 結果は100Mパラメータ(既存のSOTAモデルより10-100倍小さい)で達成される。
  論文  参考訳（メタデータ） (2025-05-19T12:18:53Z)
• Sub-token ViT Embedding via Stochastic Resonance Transformers [51.12001699637727]
  Vision Transformer (ViT) アーキテクチャは、画像を高次元のベクトル化トークンの集合として表現し、それぞれが長方形の非重複パッチに対応する。 我々は「確率共鳴」にインスパイアされた無訓練法を提案する。 結果として得られるSRT(Stochastic Resonance Transformer)は、元の表現のリッチな意味情報を保持するが、空間的トークン化の粗い効果を軽減し、より微細な空間領域に基盤を置いている。
  論文  参考訳（メタデータ） (2023-10-06T01:53:27Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Global Vision Transformer Pruning with Hessian-Aware Saliency [93.33895899995224]
  この研究はヴィジュアルトランスフォーマー(ViT)モデルの共通設計哲学に挑戦する。 遅延を意識した規則化による直接遅延低減を実現し,すべての層や構造に匹敵する新しいヘッセン型構造解析基準を導出する。 DeiT-Baseモデルで反復的なプルーニングを実行すると、NViT(Novel ViT)と呼ばれる新しいアーキテクチャファミリが生まれ、パラメータをより効率的に利用する新しいパラメータが現れる。
  論文  参考訳（メタデータ） (2021-10-10T18:04:59Z)
• End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
  音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。 また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
  論文  参考訳（メタデータ） (2020-02-10T16:29:26Z)

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。