PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.03317v2stat.ML

물리 구조화 변분 오토인코더(PS-VAE)를 이용한 정량적 분자 MRI에서의 다중 매개변수 불확실성 매핑

Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE)

자기공명 핑거프린팅(MRF)과 같은 정량적 영상 기법은 신호 변화로부터 생체물리학적 조직 매개변수(parameter)를 추정하여 해석 가능한 병리학적 바이오마커를 추출하는 것을 목표로 합니다. 그러나 이러한 역문제(inverse problem)에 사용되는 패턴 매칭 알고리즘이나 신경망은 원리적인 불확실성 정량화가 결여된 경우가 많아, 임상 적용에 필수적인 신뢰성과 투명성을 제한합니다. 본 논문에서는 복셀 단위의 다중 매개변수 사후 확률 분포(posterior distribution)를 신속하게 추출하도록 설계된 물리 구조화 변분 오토인코더(PS-VAE)를 제시합니다. 본 접근법은 미분 가능한 스핀 물리 시뮬레이터와 자기지도학습(self-supervised learning)을 통합하며, 잠재 생체물리학적 공간의 매개변수 간 상관관계를 포착하는 완전한 공분산(full covariance)을 제공합니다. 본 방법은 체외(in-vitro) 팬텀, 종양 보유 마우스, 건강한 인간 지원자, 교모세포종 환자에 걸친 다중 양성자 풀 화학 교환 포화 전이(CEST) 및 준고체 자화 전이(MT) 분자 MRF 연구에서 검증되었습니다. 도출된 다중 매개변수 사후 확률 분포는 전수 베이즈 분석(brute-force Bayesian analysis)으로 계산된 결과와 잘 일치하면서도, 전뇌(whole brain) 정량화에서 수치 차수(orders-of-magnitude) 단위의 속도 향상을 제공합니다. 아울러 점진적으로 획득되는 신호에 걸쳐 다중 매개변수 사후 확률 분포의 동역학을 모니터링하는 것이 프로토콜 최적화를 위한 실질적인 통찰을 제공하며 실시간 적응형 데이터 획득을 촉진할 수 있음을 입증합니다.