WikiEdge:ArXiv速递/2025-03-23

摘要

• 原文标题：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
• 中文标题：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法
• 发布日期：2025-03-23 18:16:36+00:00
• 作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
• 分类：physics.med-ph, cs.AI, cs.CV, eess.IV
• 原文链接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在开发并评估一种新型深度学习MRI去噪方法，该方法利用重建过程中的定量噪声分布信息来提升去噪性能与泛化能力。这项回顾性研究基于3T场强下获取的96,605例心脏回顾性门控电影复序列（共2,885,236幅图像）的大规模数据集，采用两种骨干架构训练了14种不同的Transformer和卷积模型。提出的SNRAware训练方案通过模拟大规模、高质量且多样化的合成数据集，并向模型提供噪声分布的定量信息，利用MRI重建过程的知识来提升去噪性能。在3000个样本的保留测试集上进行了分布内测试，使用PSNR和SSIM指标评估性能，并与未采用噪声增强的消融实验进行对比。分布外测试则在1.5T场强下获取的心脏实时电影、首过心脏灌注、神经及脊柱MRI上进行，以验证模型跨成像序列、动态对比度变化、不同解剖结构和场强的泛化能力。分布内测试中的最佳模型在分布外样本上表现出良好泛化性，分别为实时电影和灌注成像带来6.5倍和2.9倍的CNR提升。此外，仅使用心脏电影数据训练的模型对T1MPRAGE神经3D扫描和T2TSE脊柱MRI也展现出优秀泛化性能。

摘要

• 原文标题：Approximation Schemes for k-Subset Sum Ratio and Multiway Number Partitioning Ratio
• 中文标题：k-子集和比率与多路数字划分比率的近似方案
• 发布日期：2025-03-23 23:33:28+00:00
• 作者：Sotiris Kanellopoulos, Giorgos Mitropoulos, Antonis Antonopoulos, Nikos Leonardos, Aris Pagourtzis, Christos Pergaminelis, Stavros Petsalakis, Kanellos Tsitouras
• 分类：cs.DS, F.2.2
• 原文链接：http://arxiv.org/abs/2503.18241v1

中文摘要：子集和比率问题（SSR）要求在给定多重正整数集$A$的情况下，找到$A$的两个不相交子集，使其和的最大值与最小值之比最小化。本文研究SSR的$k$维推广版本——$k$-子集和比率问题（$k$-SSR），该问题旨在最小化$A$的$k$个不相交子集和的最大值与最小值之比。我们提出了一个时间复杂度为$O({n^{2k}}/{\varepsilon^{k-1}})$的近似方案，其中$n=|A|$，$\varepsilon$为误差参数。据我们所知，这是首个针对固定$k>2$的$k$-SSR问题的完全多项式时间近似方案（FPTAS）。 我们还为$k$路数字划分比率问题（$k$-PART）设计了一个FPTAS，该问题与$k$-SSR的区别在于要求$k$个子集必须构成$A$的一个划分。我们提出了一个更复杂的FPTAS，同样达到$O({n^{2k}}/{\varepsilon^{k-1}})$的时间复杂度。值得注意的是，$k$-PART问题等同于具有相同估值函数的最小嫉妒比率问题，该问题在不可分割物品的公平分配领域已有研究。在限定相同估值条件下，我们的FPTAS相较于Nguyen和Rothe提出的针对所有加性估值、时间复杂度为$O(n^{4k^2+1}/\varepsilon^{2k^2})$的最小嫉妒比率FPTAS，实现了显著改进。 最后，我们为$k$-SSR提出了第二个FPTAS，该方案通过精心设计调用第一个FPTAS，将时间复杂度优化至$\widetilde{O}(n/{\varepsilon^{3k-1}})$，从而在$n\gg 1/ \varepsilon$时具有更高的计算效率。