文献

J-GLOBAL ID：201902222462137621   整理番号：19A0369298

ModL:逆問題のためのモデルベースの深層学習アーキテクチャ【JST・京大機械翻訳】

MoDL: Model-Based Deep Learning Architecture for Inverse Problems

著者 (3件)： Aggarwal Hemant K. (Department of Electrical and Computer Engineering, The University of Iowa, Iowa City, IA, USA) ,  Mani Merry P. (Department of Radiology, The University of Iowa, Iowa City, IA, USA) ,  Jacob Mathews (Department of Electrical and Computer Engineering, The University of Iowa, Iowa City, IA, USA)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 38  号： 2  ページ： 394-405  発行年： 2019年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)に基づく正則化に基づくモデルベースの画像再構成フレームワークを導入した。提案した定式化は,任意の構造を持つ逆問題に対する深いアーキテクチャを導出するための系統的なアプローチを提供する。フォワードモデルは明示的に説明されるので,より少ないパラメータを持つより小さいネットワークは,直接インバージョンアプローチと比較して画像情報を捕捉するのに十分である。したがって,訓練データと訓練時間のための需要を減少させる。著者らは,反復にわたる重み共有によるエンドツーエンド訓練に依存するので,CNN重みを順モデルにカスタマイズし,したがって,事前訓練された雑音除去器に依存する手法に対する改善された性能を提供する。著者らの実験は,このアプローチによって提供されたネットワーク複雑性からの反復数のデカップリングが,訓練データに対するより低い要求,オーバーフィッティングのリスクの低減,および有意に削減されたメモリフットプリントによる実装を含む利点を提供することを示した。ネットワーク内の共役勾配アルゴリズムのような数値最適化ブロックを用いて,データ整合性を強化することを提案した。このアプローチは,データ一貫性を強化するために,近位勾配ステップに依存する方法と比較して,反復当たりのより速い収束を提供する。著者らの実験は,利用可能なGPUメモリが反復数を制限するとき,より速い収束が性能を向上させることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： カスタム化 ,  定式化 ,  記憶装置 ,  正則化 ,  雑音除去 ,  画像再構成 ,  *逆問題 ,  *モデル ,  *計算機アーキテクチャ ,  エンドツーエンド方式 ,  デカップリング ,  ネットワーク
準シソーラス用語： 複雑性 ,  訓練データ ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 問題 ,  モデルベース ,  深層学習 ,  アーキテクチャ