Oct, 2023

基于条件变分推断的动态 PET 图像的后验估计

PDF
TL;DR使用基于深度学习的条件变分自编码器 (CVAE) 的方法，给定活性曲线的测量结果，有效估计动态正电子发射断层成像 (PET) 的运动动力学参数的后验分布。验证结果使用无偏 MCMC 作为参考，处理低维数据 (单个脑区) 和简化的参考组织模型。
kinetic parametersdynamic positron emission tomographydeep-learning-based frameworkconditional variational autoencoderreference tissue model
发现论文，激发创造
  • 利用深度后验采样估计 PET 图像重建的不确定性

    本文提出了一种基于深度学习的方法，通过后验抽样在 PET 图像重建中进行不确定性量化。该方法基于条件生成对抗网络，其生成器近似于采样自贝叶斯反演中的后验。该文表明，所提出的模型生成高质量的后验样本，并产生具有物理意义的不确定性估计。

    Jun, 2023

  • 学习如何解决贝叶斯反问题：一种分摊变分推断方法

    本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

    May, 2023

  • 动态 PET 中基于生理学的药物动力学建模的自监督学习

    本论文介绍了使用自监督方法构建环境下的动态正电子发射断层成像 (dPET) 成像技术，采用基于生理的药物动力学建模和空时域 UNet 来估计动力学参数的方法，以及像 FDG 这样的放射性示踪剂的时间活动曲线来实现诊断性信息提取，产生与预期生理一致的像素级参数图像。

    May, 2023

  • 使用变分自编码器从钙成像数据快速摊销神经活动的推断

    通过 bayesian 模型反演和变分自编码器，提出了一种可快速准确提取神经尖峰的算法框架，以及用于分离钙成像中树突棘背向传播动作电位和可能的突触输入的首个概率方法。

    Nov, 2017

  • 利用敏感度引导的多项式混沌展开和深度生成网络的有效贝叶斯旅行时间层析成像

    本研究提出了一种策略，将 VAE 的卓越重建性能与 PCA-PCE 代理模型的准确性相结合，用于贝叶斯地下探地雷达（GPR）走时层析成像，从而解决了 MCMC 方法中先验探索和样本建议的问题。

    Jul, 2023

  • 面向模型不可知的后验近似以实现快速准确的变分自编码器

    学习变分自动编码器（VAEs）的关键任务是训练生成模型和推理模型，本文提出了一种基于 MAPA 的推理方法，可以高效地估计真实模型的后验分布。初步结果表明，该方法在低维合成数据上能够更好地进行密度估计，并提供了将该方法扩展到高维数据的路线图。

    Mar, 2024

  • 共享弱化变分推理的元学习

    提出了一种新的摊销变分推断方案来处理实证贝叶斯元学习模型，使用变分自编码器方法在有限的训练数据上学习模型参数的先验分布，我们的框架建议在模型参数的条件先验和变分后验分布之间共享相同的摊销推断网络，相比于 Monte-Carlo 近似的早期工作，我们的变分方法避免了条件先验的崩溃并保留了模型参数的不确定性，并在 miniImageNet、CIFAR-FS 和 FC100 数据集上进行了评估，证明了它比以前的方法具有更好的性能。

    Aug, 2020

  • 自动编码变分贝叶斯

    本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法，可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法，特别是在大型数据集下具有较好的表现，且已经在实验上得到了验证。

    Dec, 2013

  • 计算成像反问题的变分推断

    本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。

    Apr, 2019

  • 先驱 CVAE：基于贝叶斯深层生成模型的可升缩 MCMC 参数推断

    本文提出了一个新的方法 PriorCVAE，通过在 VAE 中引入随机过程超参数来区分学习先验分布，实现了超参数的显式估计，可以有效地应用于空间和时空推断等领域。

    Apr, 2023