通过嵌入式生成模型进行个性化心脏模型参数的高维贝叶斯优化
机器学习
2020-05-19 v1 机器学习
最优化与控制
摘要
以模型参数形式估计患者特异性组织属性对个性化生理模型十分重要。然而，这些组织属性在底层解剖模型上空间变化，在测量数据有限的情况下带来了高维（HD）优化的重大挑战。降低参数空间维度的常见解是显式划分解剖网格，划分为固定小数目段或多尺度层次。这种基于解剖的参数空间约简构成了参数估计的根本瓶颈，导致解要么分辨率过低而无法反映组织异质性，要么维度过高而无法在可行计算内可靠估计。本文提出一种新概念，将生成式变分自编码器（VAE）嵌入贝叶斯优化的目标函数中，提供代表 HD 空间变化组织属性生成码的隐式低维（LD）搜索空间。此外，VAE 编码的关于生成码的知识被进一步用于引导搜索空间的探索。所提方法应用于心脏电生理模型中组织兴奋性的估计。合成与真实数据实验证明其能以超过 10 倍的效率提升改善参数估计精度。
引用
@article{arxiv.2005.07804,
title = {High-dimensional Bayesian Optimization of Personalized Cardiac Model Parameters via an Embedded Generative Model},
author = {Jwala Dhamala and Sandesh Ghimire and John L. Sapp and B. Milan Horácek and Linwei Wang},
journal= {arXiv preprint arXiv:2005.07804},
year = {2020}
}
备注
MICCAI 2018