Experimental Design for Multi-Channel Imaging via Task-Driven Feature Selection

要約

この論文では、取得時間を短縮し、コストを削減し、イメージング デバイスの導入を加速するための、データ駆動型のタスク固有の実験計画パラダイムを紹介します。
実験計画における現在のアプローチはモデル パラメーターの推定に焦点を当てており、特定のモデルの仕様を必要としますが、イメージングでは他のタスクが計画を推進する可能性があります。
さらに、このようなアプローチは、現実世界のイメージング アプリケーションにおいて手に負えない最適化問題を引き起こすことがよくあります。
ここでは、設計 (画像チャネルのセット) の最適化と、ユーザー指定の画像解析タスクを実行する機械学習モデルのトレーニングを同時に行う、実験設計の新しいパラダイムを紹介します。
このアプローチでは、少数の収集で測定空間 (多くの画像チャネル) にわたって高密度にサンプリングされたデータを取得し、タスクを最適にサポートする事前に指定されたサイズのチャネルのサブセットを特定します。
我々は、画像処理におけるTAsk-DRiven実験計画のためのTADREDという手法を提案します。これは、最も有益なチャネルサブセットを特定すると同時に、そのサブセットが与えられたタスクを実行するようにネットワークをトレーニングします。
実験は、さまざまなイメージング用途における TADRED の可能性を実証しています。磁気共鳴イメージングにおけるいくつかの臨床関連タスク。
リモートセンシングとハイパースペクトルイメージングの生理学的応用。
結果は、古典的な実験計画、新しいパラダイム内の 2 つの最近のアプリケーション固有の手法、および教師あり特徴選択における最先端のアプローチと比較して大幅な改善を示しています。
私たちは、私たちのアプローチのさらなる応用を期待しています。
コードは利用可能です: https://github.com/sbb-gh/experimental-design-multichannel

要約(オリジナル)

This paper presents a data-driven, task-specific paradigm for experimental design, to shorten acquisition time, reduce costs, and accelerate the deployment of imaging devices. Current approaches in experimental design focus on model-parameter estimation and require specification of a particular model, whereas in imaging, other tasks may drive the design. Furthermore, such approaches often lead to intractable optimization problems in real-world imaging applications. Here we present a new paradigm for experimental design that simultaneously optimizes the design (set of image channels) and trains a machine-learning model to execute a user-specified image-analysis task. The approach obtains data densely-sampled over the measurement space (many image channels) for a small number of acquisitions, then identifies a subset of channels of prespecified size that best supports the task. We propose a method: TADRED for TAsk-DRiven Experimental Design in imaging, to identify the most informative channel-subset whilst simultaneously training a network to execute the task given the subset. Experiments demonstrate the potential of TADRED in diverse imaging applications: several clinically-relevant tasks in magnetic resonance imaging; and remote sensing and physiological applications of hyperspectral imaging. Results show substantial improvement over classical experimental design, two recent application-specific methods within the new paradigm, and state-of-the-art approaches in supervised feature selection. We anticipate further applications of our approach. Code is available: https://github.com/sbb-gh/experimental-design-multichannel

arxiv情報

提供元, 利用サービス

arxiv.jp, Google