May, 2018

OEDIPUS: 稀疏约束 MRI 的实验设计框架

PDF
TL;DR本研究提出了一种基于 OEDIPUS（基于 Oracle 的稀疏约束成像实验设计）的估计理论框架，用于在稀疏约束下进行 MR 图像重建的实验设计，并将受到限制的 Cramér-Rao 界限与传统的实验设计技术相结合。通过回顾性样本子采样的体内 MRI 数据在多个不同的上下文中评估 OEDIPUS 的实验设计，结果表明，相对于常规的 MRI 采样方法，基于 OEDIPUS 的实验设计具有一些有益的特性。
发现论文，激发创造
  • 贝叶斯实验设计中基于梯度的随机优化方法

    本文从贝叶斯角度研究非线性系统的最优实验设计问题，提出了基于梯度的随机优化方法，并通过传感器放置问题的数值试验证明了该方法的性能。

    Dec, 2012

  • 使用近似动态规划的序贯贝叶斯最优实验设计

    本文介绍了用于顺序试验的最优设计策略，并且使用贝叶斯推断的信息理论设计目标针对参数推断进行了 sOED 问题的严谨公式化。同时，研究了具有连续参数，设计和观测空间的非线性设计的数字方法，并利用探索和利用来提高状态空间中经常访问区域的逼近精度。最后，文中展示了对非线性源反演问题的优势。

    Apr, 2016

  • 基于条件正态流的概率贝叶斯最优实验设计

    贝叶斯最佳实验设计寻求在预算限制下，通过贝叶斯框架中的实验数据更新系统的先验知识到其后验，具有计算挑战性，我们提出了一种新的联合优化方法，以有效、可伸缩和稳健的方式解决了贝叶斯最佳实验设计问题，在一个具有高维参数和观测值以及选择最有信息的观测的二进制掩模设计的实际磁共振成像数据采集问题中验证了方法的性能。

    Feb, 2024

  • 通过贪婪策略搜索实现 MRI 的实验设计

    本文对快速磁共振成像技术进行实验设计，提出了基于策略梯度的学习方法，并发现简单的贪心算法可以在解决问题时达到与更一般的非贪心方法接近的效果，研究表明这种算法具有更高的适应性和决策能力。

    Oct, 2020

  • 使用深度强化学习进行 X 射线 CT 的序列实验设计

    采用深度强化学习方法解决了优化实验设计问题，以选择最具信息量的扫描角度，从而在 CT 中实现少角度成像。

    Jul, 2023

  • 面向目标的贝叶斯最优非线性模型实验设计中的马尔可夫链蒙特卡洛方法

    采用基于贝叶斯方法的计算框架，通过最大化信息增益来确定在非线性观测和预测模型下，最优实验设计以提高感兴趣的预测量的精确度。

    Mar, 2024

  • 隐式模型的高效贝叶斯实验设计

    本文提出了一个新的实验设计框架，用于解决隐式模型中的优化资源分配问题，采用了先前不可行的参数和数据之间的互信息作为效用函数，并使用基于贝叶斯优化的方法解决最优设计问题。

    Oct, 2018

  • 基于强化学习的变分顺序最优实验设计

    提出了一种基于贝叶斯框架的变分顺序最优实验设计新方法，采用变分逼近估计期望效用的下界估计来解决最优设计策略，并采取策略梯度方法来优化模型参数和加快收敛速度，旨在优化设计有限序列实验问题，针对参数推断、模型鉴别和面向目标的预测等问题具有实际应用价值。

    Jun, 2023

  • 设计贝叶斯最优实验的统一随机梯度方法

    本文提出了一种全概率梯度方法来解决贝叶斯最优实验设计的问题，该方法利用变分下界来进行预期信息增益的优化，并提供多种变分目标，最终表现出比现有方法在高维设计优化中更有效的性能。

    Nov, 2019

  • 贝叶斯反问题鲁棒 A - 最优实验设计

    为贝叶斯反演问题设计最优实验设计方案的一个高效算法方法，使最优设计对反问题的要素的错误估计具有鲁棒性。具体而言，我们考虑一种针对不确定或错误估计参数的最坏情况方法，提出了一种优化这些目标的算法方法，进行了深入的数值实验，以验证和分析所提出的方法。

    May, 2023