Progressive Subsampling for Oversampled Data — Application to Quantitative MRI

要約

我々は、情報の損失を最小限に抑えながらオーバーサンプリングデータセット（例えば、マルチチャンネルの3D画像）をサブサンプリングする、深層学習に基づいた自動化された方法論であるPROSUB: PROgressive SUBsamplingを紹介します。我々は、MICCAI MUlti-DIffusion (MUDI) quantitative MRI measurement sampling-reconstruction challengeで優勝した最近のデュアルネットワークアプローチを基に、ハードな決定境界でサブサンプリングすることにより、深層学習の学習の不安定性に悩まされることになる。PROSUBは再帰的特徴除去（RFE）のパラダイムを用い、深層学習学習中に測定値を徐々にサブサンプリングすることで、最適化の安定性を改善します。PROSUBはまた、ニューラルアーキテクチャ探索（NAS）のパラダイムを統合し、ネットワークアーキテクチャのハイパーパラメータがサブサンプリング処理に対応できるようにする。我々は、PROSUBがMUDI MICCAIチャレンジの勝者を上回り、MUDIチャレンジのサブタスクで18％以上のMSEの大きな改善と臨床応用に有用な下流プロセスの質的改善をもたらすことを示す。また、NASを組み込むことの利点を示し、PROSUBの構成要素の効果を分析する。本手法は、MRI計測選択再構成以外の問題にも一般化されているため、コードはhttps://github.com/sbb-gh/PROSUB。

要約(オリジナル)

We present PROSUB: PROgressive SUBsampling, a deep learning based, automated methodology that subsamples an oversampled data set (e.g. multi-channeled 3D images) with minimal loss of information. We build upon a recent dual-network approach that won the MICCAI MUlti-DIffusion (MUDI) quantitative MRI measurement sampling-reconstruction challenge, but suffers from deep learning training instability, by subsampling with a hard decision boundary. PROSUB uses the paradigm of recursive feature elimination (RFE) and progressively subsamples measurements during deep learning training, improving optimization stability. PROSUB also integrates a neural architecture search (NAS) paradigm, allowing the network architecture hyperparameters to respond to the subsampling process. We show PROSUB outperforms the winner of the MUDI MICCAI challenge, producing large improvements >18% MSE on the MUDI challenge sub-tasks and qualitative improvements on downstream processes useful for clinical applications. We also show the benefits of incorporating NAS and analyze the effect of PROSUB’s components. As our method generalizes to other problems beyond MRI measurement selection-reconstruction, our code is https://github.com/sbb-gh/PROSUB

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL