Knot Selection in Sparse Gaussian Processes
Iowa State University（爱荷华州立大学）
基于节点的稀疏高斯过程作为全高斯过程的可扩展近似已经取得了相当大的成功。然而，当通过优化边际似然来进行节点选择时，可能会出现问题。例如，边缘似然曲面是高度多峰的，这可能导致次优节点放置，其中一些节点实际上不起作用。当使用的节点比必要的多得多时，这尤其是一个问题，导致额外的计算成本，而精度几乎没有提高。我们提出了一个一次一个节点选择算法来选择节点的数量和位置。我们的算法使用贝叶斯优化来有效地提出可能是好的结，并在很大程度上避免了使用边际似然作为目标函数时遇到的病态。我们提供的实证结果表明，提高了准确性和速度比目前的标准方法。
2020-02-21 cs.LG stat.ML
An Efficient Model Selection for Gaussian Mixture Model in a Bayesian Framework
Center for Information Security Technology (CIST), Korea University（高丽大学信息安全技术中心(CIST)）；Korea University（高丽大学）
为了对数据进行聚类或分区，我们经常使用期望和最大化（EM）或高斯混合模型（GMM）的变分近似，GMM是一个参数概率密度函数，表示为$\hat{K}$高斯分量密度的加权和。然而，模型选择，以找到潜在的$\hat{K}$是GMM聚类的关键问题之一，因为我们可以获得所需的集群只有当$\hat{K}$是已知的。在本文中，我们提出了一个新的模型选择算法，探讨$\hat{K}$在贝叶斯框架。该算法建立了模型阶数的密度，这是AIC和BIC等信息准则基本上无法重建的。此外，与耗时的蒙特卡罗模拟相比，该算法可以快速地重建密度。
2013-07-03 cs.LG stat.ML
Joint Optimization and Variable Selection of High-dimensional Gaussian Processes
California Institute of Technology（加州理工学院）；Eindhoven University of Technology（埃因霍温理工大学）；ETH Zurich（苏黎世联邦理工学院）
通过噪声观测最大化高维非凸函数是一个众所周知的难题，但在许多应用中都会出现。在本文中，我们通过将未知函数建模为高维高斯过程（GP）分布的样本来应对这一挑战。假设未知函数只依赖于几个相关变量，我们证明了联合变量选择和GP优化是可能的。我们为我们的算法提供了强有力的性能保证，限制了变量选择的样本复杂度，并提供了累积遗憾界限。我们进一步提供了经验证据，我们的算法在几个基准优化问题的有效性。
2012-06-27 cs.LG stat.ML
Knot Selection in Sparse Gaussian Processes with a Variational Objective Function
Iowa State University（爱荷华州立大学）
稀疏的，基于节点的高斯过程已经取得了相当大的成功，作为可扩展的近似全高斯过程。某些稀疏模型可以通过对真实后验的特定变分近似来导出，并且可以选择节点以最小化近似后验和真实后验之间的库尔贝克-莱布勒散度。虽然这是一种成功的方法，但由于要优化的参数的数量，同时优化节点可能会很慢。此外，已经提出了一些方法来选择节点的数量，并没有实验结果存在于文献中。我们提出了一种基于贝叶斯优化的节点选择算法来选择节点的数量和位置。我们展示了这种方法的竞争力的性能相对于同时优化的结在三个基准数据集，但在一小部分的计算成本。
2020-04-13 cs.LG stat.ML
Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI
Department of Mathematics and Scientific Computing, University of Graz（格拉茨大学数学与科学计算系）；Institute for Medical Informatics, Statistics and Documentation, Medical University of Graz（格拉茨医学大学医学信息学、统计与文档研究所）；Institute of Computer Graphics and Vision, Graz University of Technology（格拉茨技术大学计算机图形与视觉研究所）；Gottfried Schatz Research Center: Medical Physics and Biophysics, Medical University of Graz（戈特弗里德·施拉茨研究所以及格拉茨医学大学医学物理与生物物理中心）；BioTechMed-Graz, Graz, Austria（格拉茨生物技术医学中心）
本文提出将少样本学习、U-Net与高斯过程仿真器结合，利用支持集在潜在空间中学习图像与掩码关系，在心脏MRI少样本分割中取得优于现有方法的DICE系数。
2024-11-12 cs.AI cs.CV cs.LG
Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging Deep Learning Frameworks
AstraZeneca（阿斯利康）
近年来，人类心脏磁共振数据集的自动分割一直在稳步提高。然而，由于数据集有限和图像分辨率较低，这些方法不能直接应用于临床前环境。大鼠心脏分割的深度架构的成功应用，虽然心脏功能的临床前评价至关重要，但据我们所知尚未报道。我们开发了在标准U-Net架构上扩展的分割模型，并评估了收缩期和舒张期的单独模型2 MSA和所有时间点的一个模型1 MSA。此外，我们使用基于高斯过程（GP）的先验来校准模型输出，以改进相位选择。在1 MSA和2 MSA设置下，所得模型在左心室分割质量和射血分数（EF）估计方面接近人类性能（Sørensen-Dice评分分别为0.91 +/- 0.072和0.93 +/- 0.032）。2 MSA的估计EF和参考EF之间的平均绝对差为3.5 +/-2.5%，而1 MSA的结果为4.1 +/-3.0%。将高斯过程应用于1 MSA允许自动选择收缩期和舒张期。结合一种新的心脏相位选择策略，我们的工作为在大鼠心脏分析的背景下实现全自动分割管道迈出了重要的第一步。
2021-09-09 cs.CV cs.LG eess.IV
Nonparametric Modeling of Diffusion MRI Signal in Q-space
提出Poly-RBF非参数双向模型，以多项式基和高斯径向基分别建模b值与b向量方向的dMRI信号，在稀疏b值数据下实现更准确的信号预测并提升跨扫描仪数据协调效果。
2024-03-12 stat.AP
Model Selection for Gaussian Process Regression by Approximation Set Coding
高斯过程是强大的，但易于分析的监督学习模型。高斯过程由均值函数协方差函数（核）表征，它们由模型选择准则确定。要比较的函数不仅在参数化方面不同，而且在基本结构方面也不同。通常不清楚选择哪种函数结构，例如在平方指数核和有理二次核之间进行选择。基于近似集编码的原理，我们提出了一个模型选择框架，用于高斯过程回归的核排序。在我们的实验中，近似集编码有望成为一种模型选择标准，与最大证据（也称为边际似然）和留一交叉验证竞争。
2016-10-04 stat.ML
On the Laplace Approximation as Model Selection Criterion for Gaussian Processes
University of Applied Sciences and Arts（应用科学与艺术大学）；University of Hagen（哈根大学）
本文针对高斯过程模型选择，提出基于拉普拉斯近似的多种度量，克服了朴素应用的严重不一致性，在保证质量与动态嵌套采样相当的同时显著提升计算速度。
2024-03-14 cs.AI cs.LG stat.ML
GP-ALPS: Automatic Latent Process Selection for Multi-Output Gaussian Process Models
Invenia Labs（因维尼亚实验室）；University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
将高斯过程（GP）扩展到多个输出的一种简单且广泛采用的方法是将每个输出建模为共享的未观察到的潜在GP集合的线性组合。这种方法的一个问题是选择潜在进程及其内核的数量。这些选择通常是手动完成的，这可能很耗时，而且容易受到人为偏见的影响。我们提出了高斯过程自动潜在过程选择（GP-ALPS），它通过关闭那些对解释数据没有意义的过程来自动选择潜在过程。我们开发了一个变分推断计划，通过与金标准MCMC进行比较来评估变分后验的质量，并在一组初步实验中证明GP-ALPS的适用性。
2019-12-17 cs.LG stat.ME stat.ML
Learning to Reconstruct Accelerated MRI Through K-space Cold Diffusion without Noise
Boston University（波士顿大学）；Boston Medical Center（波士顿医疗中心）；Boston University Chobanian & Avedisian School of Medicine（波士顿大学乔巴尼安与阿韦迪西安医学院）
针对加速 MRI 重建，本文提出无需高斯噪声、在 k 空间完成退化与恢复的 cold diffusion 模型，并在大型开源数据集上验证其可生成高质量重建图像。
2024-12-05 cs.CV cs.LG eess.IV
Variable selection for Gaussian processes via sensitivity analysis of the posterior predictive distribution
用于高斯过程模型的变量选择通常使用自动相关性确定来完成，该自动相关性确定使用每个输入变量的逆长度尺度参数作为变量相关性的代理。这种隐式确定的相关性有几个缺点，防止在预测性能方面的最佳输入变量的选择。为了改善这一点，我们提出了两种新的变量选择方法的高斯过程模型，利用一个完整的模型在附近的训练点的预测，从而排名的变量根据其预测的相关性。我们对合成和真实世界数据集的实证结果表明，与自动相关性确定相比，在可变性和预测性能方面改进了变量选择。
2019-03-06 stat.ME stat.ML
Adaptive Random Matrices in Gaussian Bandits: Spectral Universality and Selection-Induced Outliers
Abstract Math Institute（抽象数学研究所）
本文研究高斯老虎机中自适应臂选择对观测谱的影响，证明在臂数对数次线性增长时谱收敛于Marchenko-Pastur定律，并揭示选择诱导的离群值与方向效应。
2026-09-28 cs.LG math.PR math.ST
Model Selection for Gaussian Mixture Models
本文讨论了有限混合模型中的一个重要问题，即混合组分数的选择。提出了一种新的惩罚似然方法用于有限多元高斯混合模型的模型选择。所提出的方法被证明是统计上一致的，在确定的组件的数量。提出了一种改进的期望最大化算法，它可以同时选择混合分量的个数和估计混合权重，即混合概率和高斯分布的未知参数。仿真和实际数据分析，以说明所提出的方法的性能。
2013-01-16 math.ST stat.ME stat.ML
Parameter selection in Gaussian process interpolation: an empirical study of selection criteria
本文基于评分规则和扩展似然准则，实证研究高斯过程插值中的参数选择问题，发现模型族的选择通常比具体选择准则更重要，且大多数准则都能有效选取Matérn协方差的正则性参数。
2023-08-08 stat.ME stat.ML
Resolution-Robust 3D MRI Reconstruction with 2D Diffusion Priors: Diverse-Resolution Training Outperforms Interpolation
Technical University of Munich（慕尼黑工业大学）
针对3D MRI重建中因体素大小变化导致的性能下降问题，本文提出多种分辨率鲁棒方法，发现基于多分辨率训练的数据中心策略优于基于模型的方法，且不牺牲准确性。
2024-12-24 cs.CV cs.LG eess.IV
Bayesian Optimisation with Gaussian Processes for Premise Selection
University of Cambridge（剑桥大学）
定理证明器中的启发式通常是参数化的。现代的定理证明器，如Vampire，利用了大量的算法来控制搜索空间的爆炸，从而需要优化大量的参数。在这个多维参数空间中的穷举搜索在大多数情况下是棘手的，然而证明器的性能高度依赖于参数分配。在这项工作中，我们引入了一个原则性的概率框架，在定理证明优化。我们目前的结果使用启发式的前提选择和正式证明（AFP）的档案作为案例研究。
2019-09-18 cs.AI cs.LG
Bayesian Spatial Inversion and Conjugate Selection Gaussian Prior Models
本文在贝叶斯空间反演中引入了对给定似然函数的共轭先验模型的概念。先验模型的共轭类可以选择扩展，并且仍然保持共轭。我们证明了选择高斯先验模型的一般性，代表多模态，偏态和重尾。对于高斯线性似然函数，后验模型也是选择高斯的。后验概率密度函数的模型参数是似然模型和先验模型的模型参数的显函数，当然还有实际观测值。有效的算法模拟和预测的选择高斯后验概率密度函数的定义。基于空间变量的一个训练图像，通过极大似然准则和数值优化，可以可靠地推断选择高斯先验概率密度函数中的模型参数。最后，给出了一个地震反演实例，并发现了$ 20$ - $40\%$相对于传统高斯反演在预测均方误差方面的改进。
2018-12-05 stat.ME
Spatial two tissue compartment model for DCE-MRI
在动态对比增强磁共振成像（DCE-MRI）的定量分析中，隔室模型允许用具有生物学意义的动力学参数来描述造影剂的摄取。由于简单的模型往往不能充分描述所观察到的吸收行为，更复杂的隔室模型已被提出。然而，由更复杂的房室模型引起的非线性回归问题常常遭受参数冗余。在本文中，我们将空间光滑的两个组织房室模型的动力学参数，通过施加高斯马尔可夫随机场先验。我们分析在何种程度上这种空间正则化有助于避免参数冗余，并获得稳定的参数估计。选择一个完整的贝叶斯方法，我们得到后验和点估计运行马尔可夫链蒙特卡罗模拟。所提出的方法进行评估，模拟浓度时间曲线，以及从乳腺癌研究的体内数据。
2012-09-05 stat.ME
Marginal likelihood and model selection for Gaussian latent tree and forest models
高斯潜在树模型，或更一般地说，高斯潜在森林模型具有费舍尔信息矩阵，该矩阵沿着有趣的子模型（即对应于子森林的模型）变得奇异。对于这些奇异点，我们计算真实的对数正则阈值（也称为随机复杂度或学习系数），这些阈值量化了贝叶斯推理中边际似然的大样本行为。这提供了所需的信息，最近推出的推广贝叶斯信息标准。我们的数学发展对待拉普拉斯积分的相位函数是单项式和常数之间的平方差的总和的一般设置。我们澄清如何在这种情况下，真正的对数正则阈值可以使用多面体几何计算，我们展示了如何将一般理论与高斯潜在树和森林模型的拉普拉斯积分。在模拟和数据示例中，我们演示了如何将数学知识应用于模型选择。
2015-12-23 math.ST stat.ME stat.ML
Variable Selection Using Nearest Neighbor Gaussian Processes
提出基于最近邻高斯过程的贝叶斯变量选择方法，通过条件化均值和协方差函数实现变量选择，并采用Metropolis-Within-Gibbs算法进行推断，在模拟和真实数据上验证有效。
2024-09-25 stat.CO
MAP model selection in Gaussian regression
我们考虑高斯线性回归中的贝叶斯模型选择方法，其中预测变量的数量可能远大于观测值的数量。从频率论的角度来看，所提出的方法导致惩罚最小二乘估计与模型大小的先验相关的复杂性惩罚。我们调查的最优性性质的估计。我们建立了甲骨文不等式，并指定条件的先验，这意味着它的渐近极小极大性在很大范围内的稀疏和密集的设置为“近正交”和“多重共线”的设计。
2010-09-13 math.ST stat.TH
Identification of relevant diffusion MRI metrics impacting cognitive functions using a novel feature selection method
New York University（纽约大学）；New York University Shanghai（上海纽约大学）
轻度创伤性脑损伤（mTBI）是一个重要的公共卫生问题。mTBI后最令人不安的症状是认知投诉。研究显示，使用扩散MRI，mTBI患者和健康对照组在组织微结构方面存在可测量的差异。然而，目前还不清楚哪些扩散措施是最有益的认知功能在健康状态以及受伤后。在这项研究中，我们使用扩散MRI制定一个预测模型的基础上最相关的MRI功能的工作记忆的性能。关键的挑战是以高效的方式在大特征空间中以高精度识别相关特征。为了解决这个问题，我们提出了一种新的改进的最佳优先搜索方法的交叉算子的启发遗传算法。与其他启发式特征选择算法相比，所提出的方法实现了更准确的预测，并产生临床上可解释的选择功能。
2019-11-11 cs.LG eess.IV q-bio.QM
Bayesian Reconstruction of Magnetic Resonance Images using Gaussian Processes
现代磁共振成像（MRI）的中心目标是减少产生高质量图像所需的时间。努力包括硬件和软件创新，如并行成像，压缩传感和基于深度学习的重建。在这里，我们提出并证明了贝叶斯方法来建立统计库的磁共振（MR）图像在k空间，并使用这些库来确定最佳的子采样路径和重建过程。具体来说，我们计算一个多元正态分布的基础上高斯过程使用一个公开的图书馆的T1加权图像的健康大脑。我们将这个库与物理信息包络函数相结合，只保留k空间中有意义的相关性。然后，该协方差函数用于使用贝叶斯优化来选择一系列环形子采样路径，使得它们最佳地探索空间，同时在商业MRI系统中保持实际可实现。结合针对一系列图像找到的优化的子采样路径，我们计算出一个广义的采样路径，当用于新图像时，与先前报道的重建过程相比，该采样路径产生最高的结构相似性和误差（即，仅采样12.5%的k空间数据，结构相似性为96.3%，归一化均方误差<0.003）。最后，我们使用这个重建过程的病理数据，而无需重新训练，表明重建图像是临床上有用的中风识别。
2023-03-23 physics.med-ph stat.AP
Bayesian Variable Selection via Hierarchical Gaussian Process Model in Computer Experiments
针对计算机实验中活跃因子识别难题，本文提出嵌入潜在指示变量的贝叶斯分层高斯过程模型，利用Metropolis-within-Gibbs采样器联合完成参数估计与变量选择，并通过模拟和实际应用验证其优于竞争方法。
2024-06-17 stat.ME
Joint Variable Selection of both Fixed and Random Effects for Gaussian Process-based Spatially Varying Coefficient Models
空间变系数（SVC）模型是一种空间数据的回归模型，其中协变量效应随空间而变化。如果有多个协变量，一个自然的问题是哪些协变量具有空间变化效应，哪些没有。针对基于高斯过程的SVC模型，提出了一种新的变量选择方法.它依赖于惩罚极大似然估计（PMLE），并允许变量选择相对于固定效应和高斯过程随机效应。我们验证了我们的方法在模拟研究以及现实世界的数据集。我们的新方法在模拟研究中表现出良好的选择性能。在实际数据应用中，我们提出的PMLE产生稀疏SVC模型，并实现了一个更小的信息标准比经典的MLE。在应用于实际数据的交叉验证中，我们表明，稀疏PML估计SVC模型与ML估计SVC模型在预测性能方面不相上下。
2021-02-11 stat.ME
Variable Selection Consistency of Gaussian Process Regression
贝叶斯非参数回归下的重标高斯过程先验提供了平滑自适应函数估计与近极小极大最优差错率。这种方法的分层扩展，配备了随机变量选择，也适应于未知的内在尺寸的稀疏真正的回归函数。但目前还不清楚这种扩展是否提供了变量选择的一致性，即，如果重要变量的真实子集可以从数据中一致地学习。它在这里示出，变量的一致性确实可以实现与这样的模型，至少当真正的回归函数具有有限的平滑度，以引起一个多项式更大的惩罚列入假阳性预测。我们的结果涵盖了高维渐近设置的预测维度是允许增长的样本量。证明利用施瓦茨理论建立错误选择的后验概率渐近消失。一个必要的和具有挑战性的技术发展涉及提供尖锐的上限和下界小球概率在所有重新缩放水平的高斯过程之前，一个结果，可能是独立的利益。
2020-12-12 math.ST stat.ME stat.TH
Model selection in the space of Gaussian models invariant by symmetry
我们考虑多变量中心高斯模型的随机变量$Z=(Z_1,\ldots, Z_p)$，不变的作用下的一个子群的排列组$\{1,\ldots, p\}$。利用实数域上对称群的表示论，得到了协方差参数$Σ$的最大似然估计的分布以及精度参数$K=Σ^{-1}$的Diaconis-Ylvisaker共轭先验的归一化常数的解析表达式.因此，我们可以在完全高斯模型类中进行贝叶斯模型选择，该完全高斯模型不受对称群的子群的作用的影响，我们也可以称之为完全RCOP模型。我们说明了我们的结果与玩具的尺寸$4$和几个例子循环群内的选择，包括一个高维的例子与$p=100$的例子。
2022-05-16 math-ph math.MP math.RT
Domain Selection for Gaussian Process Data: An application to electrocardiogram signals
本文提出局部Kullback-Leibler散度方法，用于识别两个高斯过程差异最大的区间，并通过蒙特卡洛模拟和心电图信号分析验证其估计性能与应用潜力。
2023-07-08 stat.ME
Estimating Optimal Active Learning via Model Retraining Improvement
Imperial College London（帝国理工学院）；Heilbronn Institute for Mathematical Research（海尔布伦数学研究所）；University of Bristol（布里斯托尔大学）
主动学习（AL）的一个核心问题是：“什么是最佳选择？”“通过分类器损失定义最优性，通过将预期损失减少视为估计的统计目标，产生了最优AL行为的新特征。这个目标的基础上形成的模型再训练改进（MRI），一种新的方法，提供了一个统计估计框架AL。这个框架的构建，以解决AL最优性的中心问题，并激励估计算法的设计。MRI允许探索最佳AL行为，并检查AL组织学，精确显示它们如何做出次优选择。MRI的抽象公式被用来为AL提供一个新的保证，即无偏的MRI估计应该优于随机选择。这个MRI框架揭示了复杂的估计问题，反过来又激发了新的统计AL算法的建设。一个新的算法，特别是在大规模的实验研究中表现强劲，相比标准的AL方法。这种竞争力的表现表明，实际的努力，以尽量减少估计偏差可能是重要的AL应用。
2015-02-05 cs.LG stat.ML
PINGS-X: Physics-Informed Normalized Gaussian Splatting with Axes Alignment for Efficient Super-Resolution of 4D Flow MRI
PINGS-X通过轴对齐高斯点云和归一化方法提升4D流体MRI超分辨率效率与精度。
2026-01-13 cs.AI cs.CV cs.LG
Brain tumor MRI image classification with feature selection and extraction using linear discriminant analysis
Sudharsan Engineering College（苏达尔桑工程学院）
特征提取是捕获图像的视觉内容的方法。特征提取是以其简化形式表示原始图像以便于诸如模式分类之类的决策的过程。我们试图通过创建一个强大的，更准确的分类器，可以作为一个专家助理的医疗从业者来解决分类MRI脑图像的问题。本文的目的是提出一种新的特征选择和提取方法。该方法结合了基于强度、纹理、形状的特征，并将肿瘤分类为白质、灰质、CSF、异常和正常区域。实验是在来自互联网脑分割库的140个包含肿瘤的脑MR图像上进行的。所提出的技术已经进行了一个更大的数据库相比，任何以前的工作，是更强大和有效的。PCA和线性判别分析（LDA）应用于训练集。支持向量机（SVM）分类器作为非线性技术与线性技术的比较。PCA和LDA方法用于减少所使用的特征的数量。使用该技术的特征选择是更有益的，因为它分析的数据，根据分组类变量，并给出了减少的特征集，具有较高的分类精度。
2012-08-10 cs.CV cs.LG
Active Selection of Classification Features
Utrecht University（乌得勒支大学）；Ghent University（根特大学）；imec（微电子中心）；University Medical Center Utrecht（乌得勒支大学医学中心）；UMCU Brain Center（乌得勒支大学医学中心脑中心）
一些数据分析应用程序包括数据集，其中解释变量的获取是昂贵或繁琐的，但辅助数据是现成的，可能有助于构建有洞察力的训练集。一个例子是对精神障碍的神经成像研究，特别是学习基于昂贵的磁共振成像（MRI）扫描得出的变量的诊断/预后模型，这通常需要大样本量。辅助数据，如人口统计学，可能有助于选择一个较小的样本，包括最具信息量的MRI扫描的个人。在主动学习文献中，这个问题还没有被研究，尽管有希望的结果，在相关的问题设置，涉及选择的实例或实例特征对。因此，我们制定了分类特征的主动选择（ASCF）的这个补充问题：给定一个主要任务，它需要学习模型f：x-> y来解释/预测获取变量x和类标签y之间的关系。然后，ASCF任务是使用一组现成的选择变量z来选择这些实例，这将在获取它们的昂贵特征z并将它们包括到主训练集中时最大程度地提高主任务的性能。我们提出了两种基于效用的方法来解决这个问题，并在三个公共的真实世界基准数据集上评估了它们的性能。此外，我们说明了使用这些方法来有效地获取MRI扫描的背景下，神经影像学研究精神疾病，基于模拟研究设计与真实的MRI数据。
2021-02-26 cs.LG
Subset Selection for Gaussian Markov Random Fields
University of Rochester（罗切斯特大学）
给定一个高斯马尔可夫随机场，我们考虑的问题，选择一个子集的变量来观察，最大限度地减少未观察到的变量的总期望平方预测误差。我们首先表明，找到一个精确的解决方案是NP难的，即使是一个有限的类高斯马尔可夫随机场，称为高斯自由场，这出现在半监督学习和计算机视觉。然后，我们给出了任意图上高斯自由场的一个简单的贪婪近似算法。最后，我们给出了有界树宽图上一般高斯马尔可夫随机场的消息传递算法。
2012-09-26 cs.LG stat.ML
Clustering Gaussian Graphical Models
University of New Haven（纽黑文大学）
我们推导出一个有效的方法来执行聚类的节点直接从样本数据的高斯图形模型。节点根据其网络邻域的相似性进行聚类，边缘权重由偏相关定义。在有限数据的情况下，协方差矩阵将是秩亏的，我们能够利用矩阵因子，而不需要估计实际的协方差或精度矩阵。我们证明了从人类连接组计划的功能MRI数据的方法。给出了该算法的matlab实现。
2019-10-05 cs.LG stat.ML
Synthesizing PET images from High-field and Ultra-high-field MR images Using Joint Diffusion Attention Model
Inner Mongolia University（内蒙古大学）；Inner Mongolia Medical University（内蒙古医科大学）；SIAT, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Inner Mongolia Medical University Affiliated Hospital（内蒙古医科大学附属医院）；Shenzhen Children’s Hospital（深圳市儿童医院）
针对PET扫描成本高、有辐射且超高场PET-MRI难以同步实现的问题，提出融合联合概率分布与注意力策略的JDAM模型，可从高场/超高场MRI合成PET图像，在ADNI数据集上性能优于CycleGAN，为超高场PET-MRI成像提供可能。
2024-06-19 cs.LG
IFR-Net: Iterative Feature Refinement Network for Compressed Sensing MRI
Nanchang University（南昌大学）；Medical AI Research Center, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院医学人工智能研究中心）
为了改善压缩感知MRI（CS-MRI）方法在高加速因子下的精细结构损失，我们提出了一种迭代特征细化模型（IFR-CS），配备固定变换，以恢复有意义的结构和细节。然而，建议IFR-CS仍然有一些局限性，如超参数的选择，一个漫长的重建时间，和固定的稀疏化变换。为了缓解这些问题，我们展开迭代功能细化程序IFR-CS监督模型驱动的网络，称为IFR-Net。通过引入训练数据对，IFR-CS中的正则化参数和最大特征细化算子都变得可训练。此外，受卷积神经网络（CNN）强大的表示能力的启发，在稀疏促进去噪模块中探索了基于CNN的反转块，以推广稀疏实施算子。在模拟和活体MR数据集上的大量实验表明，该网络具有很强的捕获图像细节的能力，并能很好地保留结构信息，重建速度快。
2019-09-25 cs.LG eess.IV stat.ML
Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design
Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家信息与自动化技术研究所，法国国家科学研究中心，格勒诺布尔INP，LJK研究中心）；Univ. Lyon, CNRS, Inserm, INSA Lyon, UCBL, CREATIS, UMR5220, U1294（里昂大学，法国国家科学研究中心，法国国家医学研究院，里昂国立应用科学学院，UCBL，CREATIS，UMR5220，U1294）；Univ. Grenoble Alpes, Inserm U1216, CHU Grenoble Alpes, Grenoble Institut des Neurosciences（格勒诺布尔阿尔卑斯大学，法国国家医学研究院U1216，格勒诺布尔阿尔卑斯大学医院，格勒诺布尔神经科学研究所）
针对MRI加速采集与图像质量平衡问题，提出基于扩散生成模型的序贯贝叶斯实验设计方法，自适应选择最信息量测量，优化重建与分析任务，并在多个采集场景验证性能。
2025-06-19 cs.LG
Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems
New York University School of Medicine（纽约大学医学院）
目的：提出了一种基于数据驱动的快速优化算法--偏置加速子集选择算法（BASS），用于学习有效的采样模式（SP），以减少大规模并行MRI的扫描时间。研究方法：当特定解剖结构的笛卡尔全采样k空间数据可用于训练并且指定重建方法时，BASS是适用的，学习哪些k空间点与特定解剖结构更相关，并且在恢复非采样点时进行重建。BASS进行了测试与四个并行MRI重建方法的基础上，低秩和稀疏，允许自由选择的SP。两个数据集进行了测试，一个高分辨率成像的大脑图像和另一个膝关节图像的定量映射的软骨。结果：BASS算法计算量小，收敛速度快，比目前最好的贪婪算法快100倍。考虑到相同的扫描时间，我们学习的SP比可变密度和泊松盘SP提供的重建质量提高了45%。可选地，扫描时间可以几乎减半而不损失重建质量。结论：与目前的方法相比，BASS可以用于快速学习有效的SP为各种重建方法，使用更大的SP和更大的数据集。这使得能够针对特定的MRI问题更好地选择有效的采样-重建对。
2020-11-04 cs.LG eess.IV eess.SP
Efficient Neighborhood Selection for Gaussian Graphical Models
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文讨论了高斯图模型的邻域选择问题。我们提出了两个启发式算法：一个基于互信息检验的一般高斯图模型的前向-后向贪婪算法，和一个基于阈值的算法行走可求和高斯图模型。这两种算法被证明是结构上一致的，和有效的。数值结果表明，这两种算法都能很好地工作。
2015-09-22 cs.IT cs.LG math.IT
Segmentation of Skeletal Muscle in Thigh Dixon MRI Based on Texture Analysis
Instituto de Telecomunicações（电信研究所）；Universidade da Beira Interior（贝拉内格罗大学）
磁共振图像（MRI）中骨骼肌的分割对于肌肉生理学研究和肌肉病理诊断是必不可少的。然而，大MRI体积的手动分割是一项耗时的任务。MRI中肌肉分割算法的最新技术仍然不是很广泛，并且在一定程度上依赖于数据库。本文提出了一种基于局部纹理特征的AdaBoost分类的自动分割方法。纹理描述符由方向直方图（HOG），基于小波的功能，和一组统计测量计算的原始和高斯滤波的灰度MRI的拉普拉斯。分类器的性能表明，纹理分析可能是一个有用的工具，设计一个通用的和自动化的MRI肌肉分割框架。此外，本文还描述了一种基于图谱的个体肌肉分割方法。在使用适当的仿射变换进行图像对准之后，通过覆盖由放射科医师提供的肌肉分割地面实况来获得图谱。然后，它被用来定义AdaBoost二进制分割的肌肉标签。当获得准确的肌肉组织分割时，所开发的图谱方法提供了合理的结果。
2019-04-09 cs.CV cs.LG
Support vector machine classification of dimensionally reduced structural MRI images for dementia
Stanford University（斯坦福大学）
我们使用支持向量机分类器对患者（CDR范围从0到2）中的极轻度到中度痴呆进行分类，该分类器作用于从OASIS-Brains数据集中的416名受试者的MRI脑扫描中获得的维度减少的特征集。我们使用图像分割和主成分分析来降低数据的维数。我们得到的功能集包含每个主题的11个功能。使用10倍交叉验证的分类器的性能进行评估。使用线性和（高斯）核，我们得到了86.4%（90.1%）的训练分类准确率，85.0%（85.7%）的测试准确率，68.7%（68.5%）的测试精度，68.0%（74.0%）的测试召回，和测试马修斯相关系数为0.594（0.616）。
2014-06-25 cs.CV cs.LG physics.med-ph
Cardiac Cohort Classification based on Morphologic and Hemodynamic Parameters extracted from 4D PC-MRI Data
University of Magdeburg（马格德堡大学）；University of Jena（耶拿大学）；University of Leipzig（莱比锡大学）
准确评估心血管系统和预测心血管疾病（CVD）至关重要。测量的心脏血流数据提供了关于患者特异性血液动力学的见解，其中已经开发了许多专门的技术用于此类数据集的视觉探索，以更好地理解形态学和血液动力学条件对CVD的影响。然而，缺乏机器学习方法技术，其允许对心脏健康的人和患有心血管疾病的患者进行基于特征的分类。在这项工作中，我们调查的形态和血流动力学特征的潜力，从测量的血流数据中提取的主动脉，心脏健康的志愿者和二叶式主动脉瓣（BAV）患者的分类。此外，我们还研究了是否有特征性特征来分类男性和女性以及老年心脏健康志愿者和BAV患者。我们提出了一种用于心脏状态分类的数据分析管道，包括特征选择、模型训练和超参数调整。在我们的实验中，我们使用几种特征选择方法和分类算法来训练健康亚组和BAV患者的单独模型。我们报告了分类性能，并研究了形态学和血流动力学特征对定义组分类的预测能力。最后，我们确定了最佳模型的关键特征。
2020-12-29 cs.LG
Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)
The Advanced Imaging and Informatics for Radiation Therapy (AIRT) Laboratory（先进成像与放射治疗信息学（AIRT）实验室）；The Medical Artificial Intelligence and Automation (MAIA) Laboratory（医学人工智能与自动化（MAIA）实验室）；Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤科）；Department of Medical Physics, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心医学物理系）
本文提出DREME-GSMR框架，通过3D高斯表示实现亚秒级动态MRI重建，无需先验模型即可进行实时影像和运动追踪。
2026-07-10 cs.LG physics.med-ph
Predicting recovery following stroke: deep learning, multimodal data and feature selection using explainable AI
City, University of London（伦敦城市大学）；University of Birmingham（伯明翰大学）；University of Kent（肯特大学）；University College London（伦敦大学学院）
本文针对卒中后恢复预测中神经影像维度高、数据量小及多模态融合难题，提出将MRI感兴趣区域与表格数据符号表示结合训练CNN的方法，在PLORAS数据集上实现0.854的最高分类准确率。
2023-10-29 cs.AI cs.CY cs.LG
Image Evolution Trajectory Prediction and Classification from Baseline using Learning-based Patch Atlas Selection for Early Diagnosis
University of Dundee（邓迪大学）；Istanbul Technical University（伊斯坦布尔理工大学）
最初诊断为早期轻度认知障碍（eMCI）的患者已知是临床异质性组，具有非常微妙的脑萎缩模式。为了检查正常对照（NC）和eMCI之间的边界，磁共振成像（MRI）被广泛用作一种非侵入性成像方式，以确定MCI患者脑图像的细微变化。然而，eMCI研究仍然受到可用MRI采集时间点数量的限制。理想情况下，人们将学习如何从单个时间点获得的MRI数据中早期诊断MCI患者，同时利用“不存在”的随访观察结果。为此，我们提出了新的监督和无监督框架，学习如何联合预测和标记强度补丁的演变轨迹，每个种子在一个特定的大脑地标，从基线强度补丁。具体而言，这两种策略的目的是在基线时间点识别最佳训练图谱块，以预测和分类给定测试基线块的演变轨迹。监督技术学习如何选择最好的地图集补丁，通过训练双向映射从空间的成对补丁相似性，以其相应的预测误差-当一个补丁被用来预测其他。另一方面，无监督技术使用多个内核学习多种基线图谱和测试补丁，以很好地捕获多个尺度的补丁分布。一旦最好的基线图谱补丁被选中，我们检索它们的演化轨迹，并平均它们来预测测试基线补丁的演化轨迹。接下来，我们将预测的轨迹输入到线性分类器的集合中，每个分类器都在特定的地标上训练。与基于单个时间点的分类方法相比，我们的分类准确率提高了10%。
2019-07-13 cs.CV cs.LG eess.IV
An efficient semi-supervised quality control system trained using physics-based MRI-artefact generators and adversarial training
University of Hertfordshire（赫特福德大学）；University College London（伦敦大学学院）；Queen Square Analytics（皇后广场分析公司）；VU University Medical Center（阿姆斯特丹自由大学医学中心）
本研究提出一种半监督质量控制框架，利用物理伪影生成器增强数据，结合特征选择与SVM分类器识别MRI伪影，在临床试验中显著提升性能并支持实时部署。
2023-11-14 cs.CV cs.LG eess.IV
Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction
Graz University of Technology（格拉茨技术大学）；Silicon Austria Labs（奥地利硅谷实验室）；University of Bonn（波恩大学）；Johannes Kepler University（约翰·开普勒大学）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国理工学院）；NYU School of Medicine（纽约大学医学院）
最近的深度学习方法专注于提高专用基准的定量分数，因此只减少与观察相关的（任意的）不确定性。然而，模型内在（认识）不确定性不太经常被系统地分析。在这项工作中，我们引入了贝叶斯变分框架来量化认知不确定性。为此，我们解决了变分设置中的欠采样MRI重建的线性逆问题。相关的能量泛函由数据保真度项和作为学习参数正则化的总深度变差（TDV）组成。为了估计认识不确定性，我们从多元高斯分布中提取TDV正则化子的参数，其均值和协方差矩阵是在随机最优控制问题中学习的。在几个数值实验中，我们证明了我们的方法产生了有竞争力的结果欠采样的MRI重建。此外，我们可以准确地量化像素的认知不确定性，这可以为放射科医生作为一个额外的资源，可视化重建的可靠性。
2021-10-22 cs.CV cs.LG eess.IV
An augmentation strategy to mimic multi-scanner variability in MRI
Technical University of Denmark（丹麦技术大学）；icometrix（icometrix公司）；Technical University of Munich（慕尼黑工业大学）；University of Antwerp（安特卫普大学）；Harvard Medical School（哈佛医学院）
大多数公开可用的大脑MRI数据集在扫描仪和协议方面都非常同质，并且从这些数据中学习的模型很难推广到多中心和多扫描仪数据。我们提出了一种新的数据增强方法，其目的是近似真实世界临床数据中存在的强度和对比度的变化。我们使用基于高斯混合模型的方法来单独改变组织强度，在保留解剖信息的同时产生新的对比度。我们在单个扫描仪数据集上训练深度学习模型，并在多中心和多扫描仪数据集上对其进行评估。所提出的方法提高了模型对训练数据中不存在的其他扫描仪的泛化能力。
2021-03-23 cs.CV cs.LG eess.IV
Progressive Subsampling for Oversampled Data - Application to Quantitative MRI
University College London（伦敦大学学院）；Zhejiang Lab（之江实验室）；Vall d’Hebron Barcelona Hospital（巴塞罗那瓦尔德希伯伦医院）
我们提供的产品：渐进子采样，一种基于深度学习的自动化方法，以最小的信息损失对过采样数据集（例如多通道3D图像）进行子采样。我们建立在最近的双网络方法的基础上，该方法赢得了MICCAI多分辨率（MUDI）定量MRI测量采样重建挑战，但由于采用硬决策边界进行子采样，因此存在深度学习训练不稳定性。PROPERTIES使用递归特征消除（RFE）范式，并在深度学习训练期间逐步对测量结果进行子采样，从而提高优化稳定性。PROTECH还集成了神经架构搜索（NAS）范式，允许网络架构超参数响应子采样过程。我们表明PROTEGO的表现优于MUDI MICCAI挑战的获胜者，在MUDI挑战子任务上产生了>18%的MSE的大幅度改进，并对临床应用有用的下游过程进行了定性改进。我们还展示了将NAS的好处，并分析了PROTECH的组件的效果。由于我们的方法可以推广到MRI测量选择-重建之外的其他问题，因此我们的代码是https://github.com/sbb-gh/PROSUB
2022-10-11 cs.CV cs.LG eess.IV
Graph Coding for Model Selection and Anomaly Detection in Gaussian Graphical Models
University of Hawaii（夏威夷大学）；John A. Burns School of Medicine（约翰·A·伯恩斯医学院）
描述长度的一个经典应用是使用最小描述长度（MDL）原则进行模型选择。本文的重点是扩展描述长度的数据分析超越简单的模型选择和序列的标量。更具体地说，我们扩展了高斯图形模型中数据分析的描述长度。这些都是强大的工具，可以以图形的形式对i.i.d高斯数据序列中变量之间的相互作用进行建模。我们的方法使用通用的图编码方法，以准确地考虑模型的复杂性，因此提供了一个更严格的方法图模型的选择。所开发的方法进行了测试，与合成和心电图（ECG）数据，以找到高斯图形模型的图形模型和异常。实验表明，我们的方法相比，常用的方法提供了更好的性能。
2021-02-04 cs.IT cs.LG math.IT
Universal Lymph Node Detection in T2 MRI using Neural Networks
Clinical Center, NIH（美国国立卫生研究院临床中心）；National Center for Biotechnology Information, National Library of Medicine, NIH（美国国立卫生研究院国家医学图书馆国家生物技术信息中心）
目的：在T2磁共振成像（MRI）扫描中识别可疑转移的腹部淋巴结（LN）对于淋巴组织增生性疾病的分期至关重要。关于LN检测的先前工作已限于单个MR切片中的身体的特定解剖区域（骨盆、直肠）。因此，非常需要开发一种在全T2 MRI体积中检测LN的通用方法。研究方法：在这项研究中，提出了一种计算机辅助检测（CAD）管道，以普遍识别腹部LN的体积T2 MRI使用神经网络。首先，我们训练了各种用于检测LN的神经网络模型：具有和不具有硬否定示例挖掘（HNEM）的更快RCNN，FCOS，FoveaBox，VFNet和检测Transformer（DETR）。接下来，我们展示了具有自适应训练样本选择（ATSS）的最先进（SOTA）VFNet模型优于具有HNEM的更快RCNN。最后，我们集成了超过45% mAP阈值的模型。我们发现VFNet模型和一阶段模型集成可以在CAD管道中互换使用。结果如下：对122个测试T2 MRI卷的实验显示，VFNet在每个卷4个假阳性（FP）时实现了51.1%的mAP和78.7%的召回率，而一阶段模型集成在4FP时实现了52.3%的mAP和78.7%的灵敏度。结论：我们的贡献是一个CAD管道，检测LN在T2 MRI体积，导致$\sim$ 14点的灵敏度提高比目前的SOTA方法LN检测（灵敏度为78.7%，4 FP与64.6%，5 FP每体积）。
2022-03-31 cs.AI cs.CV cs.LG
Inference Stage Denoising for Undersampled MRI Reconstruction
School of Engineering, The University of Edinburgh（爱丁堡大学工程学院）；Department of Electrical and Electronic Engineering and I-X, Imperial College London（帝国理工学院电气与电子工程系及I-X）
针对欠采样MRI重建中训练与测试数据分布偏移导致的泛化问题，提出基于条件超参数网络的推理阶段去噪方法，无需数据增强即可在各级高斯噪声下保持稳健性能，并采用超参数采样策略加速训练，在所有设置中实现最高准确性和图像质量。
2024-02-12 cs.CV cs.LG eess.IV
Complex-valued Federated Learning with Differential Privacy and MRI Applications
Helmholtz Munich（亥姆霍兹慕尼黑中心）；TUM（慕尼黑工业大学）；LMU Munich（慕尼黑大学）；Imperial College London（伦敦帝国学院）；King’s College London（伦敦国王学院）
针对 MRI 等复值医学信号的隐私保护需求，提出复值高斯机制、DP 复值 SGD 及兼容 DP 的网络原语，并在联邦 MRI 脉冲序列分类任务中验证其效用与隐私。
2024-10-02 cs.CR cs.LG
