抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
拡散MRI信号の生物物理学的モデリングは,特定の微細構造組織特性の推定を提供する。非線形最小自乗(NLLS)のような非線形最適化はモデル推定のための最も普及している方法であるが,それは局所極小と高い計算コストに悩まされている。深層学習手法はNLフィッティングを定常的に置き換えるが,各取得プロトコルと雑音レベルに対してモデルを再訓練する必要があるという制限がある。拡散と尖度テンソル(DKI)からモデルパラメータを推定する白質における拡散の標準モデルの実装として,白色散乱積分(WMTI)-Watsonモデルを提案した。ここでは,ロバスト性を高め,WMTI-Watsonのパラメータ推定を加速するために,符号器デコーダ再帰ニューラルネットワーク(RNN)に基づく深層学習アプローチを提案した。訓練データと実験データ間の分布における潜在的差異に鈍感なモデルを与える埋込み手法を使用した。したがって,このRNNベースソルバは,DKIがデータから事前計算されている限り,取得プロトコルおよび根底にあるパラメータ分布に関係なく,計算において非常に効率的で,他のデータセットに容易に変換できる利点を有する。本研究では,ラットおよびヒト脳の合成およびin vivoデータセットにおけるNLLS,RNNベース法および多層パーセプトロン(MLP)の性能を評価した。提案したRNNベースのフィッティング手法は,NLLS(時間から秒まで)に対して,非常に短縮された計算時間の利点を持ち,類似の精度と精度だが,ロバスト性を改善し,MLP上の新しいデータセットへの優れた変換性を持つことを示した。【JST・京大機械翻訳】