$μ$GUIDE: a framework for quantitative imaging via generalized uncertainty-driven inference using deep learning

要約

この研究は $\mu$GUIDE を提案します。これは、拡散強調 MRI での例を示し、特定の生物物理学的モデルまたは MRI 信号表現から組織微細構造パラメーターの事後分布を推定するための一般的なベイジアン フレームワークです。
$\mu$GUIDE は、シミュレーション ベースの推論と事後分布の効率的なサンプリングと組み合わせた自動信号特徴選択のための新しいディープ ラーニング アーキテクチャを利用することで、従来のベイジアン アプローチの高い計算コストと時間コストをバイパスし、定義のための取得制約に依存しません。
モデル固有の要約統計情報。
得られた事後分布により、モデル定義に存在する縮退を強調し、推定パラメーターの不確実性と曖昧さを定量化することができます。

要約(オリジナル)

This work proposes $\mu$GUIDE: a general Bayesian framework to estimate posterior distributions of tissue microstructure parameters from any given biophysical model or MRI signal representation, with exemplar demonstration in diffusion-weighted MRI. Harnessing a new deep learning architecture for automatic signal feature selection combined with simulation-based inference and efficient sampling of the posterior distributions, $\mu$GUIDE bypasses the high computational and time cost of conventional Bayesian approaches and does not rely on acquisition constraints to define model-specific summary statistics. The obtained posterior distributions allow to highlight degeneracies present in the model definition and quantify the uncertainty and ambiguity of the estimated parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google