Object based Bayesian full-waveform inversion for shear elastography

要約

タイトル：物体ベースのベイズ完全波形逆解析による剪断弾性写真超音波法

要約：
– 彼らは、組織中の異常の剪断弾性画像の不確実性を量子化する計算的なフレームワークを開発している。
– 観測されたデータ、フォワードモデル、およびその不確実性が与えられた場合、異常の幾何学的特性およびその剪断弾性を表すパラメータフィールドの事後確率を見つけるために、ベイジアン推定式を採用している。
– プライオリティ確率を構築するために、関連する目的関数のトポロジックエネルギーを活用している。
– 彼らは、スムースな形状と不規則な形状を持つ2次元合成テストでアプローチを実証している。
– マルコフ連鎖モンテカルロ（MCMC）技術による事後分布のサンプリングによって、剪断弾性と異常の幾何学的特性の統計情報を得ることができる。
– 彼らは、MCMC法は計算コストが高いため、低次元から中程度の次元のパラメータセットで特徴付けられる形状には一般的なアフィン不変アンサンブルMCMCサンプラーが適切であることを示している。
– 単純な形状の場合、最も可能性の高いパラメータ値を表す最大事後確率（MAP）推定値を計算するための高速最適化スキームを考案して、MAP点についての線形化を用いてガウス分布で事後分布を近似することで、低い計算コストで主なモードをキャプチャする。

要約(オリジナル)

We develop a computational framework to quantify uncertainty in shear elastography imaging of anomalies in tissues. We adopt a Bayesian inference formulation. Given the observed data, a forward model and their uncertainties, we find the posterior probability of parameter fields representing the geometry of the anomalies and their shear moduli. To construct a prior probability, we exploit the topological energies of associated objective functions. We demonstrate the approach on synthetic two dimensional tests with smooth and irregular shapes. Sampling the posterior distribution by Markov Chain Monte Carlo (MCMC) techniques we obtain statistical information on the shear moduli and the geometrical properties of the anomalies. General affine-invariant ensemble MCMC samplers are adequate for shapes characterized by parameter sets of low to moderate dimension. However, MCMC methods are computationally expensive. For simple shapes, we devise a fast optimization scheme to calculate the maximum a posteriori (MAP) estimate representing the most likely parameter values. Then, we approximate the posterior distribution by a Gaussian distribution found by linearization about the MAP point to capture the main mode at a low computational cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI