全脳の効果的な接続性の生成モデル

A generative model of whole-brain effective connectivity
S. Frassle, E.I. Lomakina, L. Kasper, Z.M. Man- jaly, A. Leff, K.P. Pruessmann, J.M. Buhmann and K.E. Stephan NeuroImage, 2018.

fMRIデータから効果的な(指向性の)接続強度を推測可能な全脳モデルの開発は,計算によるニューロイメージングの中心的な課題となっている.最近導入されたfMRIデータの生成モデルであるRegression dynamic causal modeling(rDCM)は,非常に大規模なネットワークにスケールアップする目標に向けて動く.しかし,数千の接続を持つ大規模ネットワークは解釈が難しい.さらに,一般に,すべてのモデルパラメータの正確な推定のための情報が欠けている.この論文では,タスクベースのfMRIの領域におけるこれらの問題に対する解決策として,rDCMの変分ベイズフレームワークにスパース制約を導入する.このスパースなrDCMアプローチは,脳全体のネットワークで効率の高い効果的な接続解析を可能にし,ネットワークの接続構造についての先験的な前提を必要とせず,モデル反転の一部として完全に接続されたネットワークを抽出する.スパースrDCMのための変分ベイズ更新方程式の導出に続いて,モデルの妥当性を評価するために,シミュレートされたデータと経験的なデータの両方を使用する.特に,100以上の領域と10,000個以上の接続を有するネットワークを用いて,fMRIデータから効果的な接続強度を推測することが可能であることを示す.これは,fMRIデータからの効果的な接続性に関する全脳推論の実現可能性を実証している.1人の被験者で,並列化されたコードを使用する場合は1分未満の実行時間である.スパースrDCMは,例えば脳全体のネットワーク構造の観点から個々の患者を表現型分類するために,コネクトミックスおよび臨床的神経造形において有用な用途を見出すことができると予想される.

類似領域におけるウィーナーフィルタに基づく単一画像超解像

Single Image Super-Resolution Based on Wiener Filter in Similarity Domain
Cruz, Cristovao and Mehta, Rakesh and Katkovnik, Vladimir and Egiazarian, Karen IEEE Transactions on Image Processing, vol. 27, no.3, pp. 1376-1389, 2018
20180113_ttamaki

単一画像超解像(SISR)は単一の低解像度画像から妥当な高分解能(HR)画像を推定することを目的とした不良設定問題である.現在の最先端のSISR方法はパッチベースである.それらの方法は,外部データまたは内部自己相似性のいずれかを使用し,HR画像の事前学習を行う.外部データベースの方法はトレーニングデータからの多数のパッチを利用し,自己相似性ベースのアプローチは入力画像からの1つ以上の同様のパッチを活用する.本論文では,SISR問題を解決するために,入力画像から抽出した類似のパッチ群を大量に使用できる自己相似性手法を提案する.我々は,1次元類似性ドメイン内のパッチグループの協調フィルタリングの新規手法を導入し,反復的な逆投影フレームワークと結合させる.提案されたアルゴリズムの性能はいくつかのSISRベンチマークデータセットで評価される.外部データを使用せずに提案されたアプローチは,様々なスケーリングファクタに対するテストされたデータセットで現在の非畳み込みニューラルネットワークベースの手法を凌駕する.特定のデータセットでは,ゲインは最新の手法と比較して1dBを超えている.高いサンプリングレート(x4)に対して提案された方法は,最先端の深い畳み込みネットワークベースのアプローチと同様に機能する.