Статистические данные > Машинное обучение [представлено 6 мая 2025 года (v1), последний пересмотренный вариант 16 сентября 2026 года (эта версия, v2)) Название: Physics- Informed Silvester Нормализующий потоки для байезового воздействия в магнитной спектрометрической спектроскопии Вид PDF HTML (экспериментальная) резюме: Magnetic Rosord seproxopma (MRS) является неинвазивным методом измерения метаболического состава тканей, позволяющим получить ценные знания о нейрологическое расстройство, обнаружение опухоли и другие метаболические дисфункции. Однако точное количественное определение метаболита затрудняется такими проблемами, как спектральное дублирование, низкий коэффициент " сигнал-шум > и различные артефакты. Традиционные методы, такие как моделирование линейно-комбинация, подвержены двусмысленности и обычно обеспечивают лишь теоретическую более низкую степень точности оценки в форме связующего звена Cramer-Rao. Эта работа предусматривает создание Байесовской системы выводов с использованием Сильвестера, устанавливающего нормализацию потоков (SNF) для приближения последующих распределений по отношению к концентрациям метаболита и повышения надежности количественной оценки. Декодер, основанный на физике, включает в себя предварительные знания о формировании сигналов ДСЗ, обеспечивая реалистичное распределение данных. Мы проверяем метод моделирования данных протона 7Т, демонстрируя точную количественную оценку метаболита, хорошо калиброванные неопределенности и…
Информированный физикой Сильвестр Нормализирует потоки байезийских последствий в магнитно-резонансной спектроскопии
arXiv:2505.03590v2 Annuales Type: заменить перекрестное резюме: магнитно-резонансная спектроскопия (MRS) — неинвазивный метод измерения метаболического состава тканей, позволяющий получить ценные сведения о нейрологическое расстройство, обнаружение опухоли и другие нарушения метаболизма. Однако точное количественное определение метаболита затрудняется такими проблемами, как спектральное дублирование, низкий коэффициент " сигнал-шум > и различные артефакты. Традиционные методы, такие как моделирование линейной комбинации, подвержены двусмысленности и обычно обеспечивают лишь теоретическую более низкую степень точности оценки в форме Cram\'er-Rao. Эта работа предусматривает создание Байесовской системы выводов с использованием Сильвестера, устанавливающего нормализацию потоков (SNF) для приближения последующих распределений по отношению к концентрациям метаболита и повышения надежности количественной оценки. Декодер, основанный на физике, включает в себя предварительные знания о формировании сигналов ДСЗ, обеспечивая реалистичное распределение данных. Мы проверяем метод моделирования 7T протона M