論文の概要、ライセンス

# (参考訳) パラレル化単一光子検出による乱流媒体下のイメージングダイナミクス [全文訳有]

Imaging dynamics beneath turbid media via parallelized single-photon detection ( http://arxiv.org/abs/2107.01422v1 )

ライセンス: CC BY 4.0
Shiqi Xu, Xi Yang, Wenhui Liu, Joakim Jonsson, Ruobing Qian, Pavan Chandra Konda, Kevin C. Zhou, Qionghai Dai, Haoqian Wang, Edouard Berrocal, Roarke Horstmeyer(参考訳) ダイナミック散乱媒質による非侵襲光学イメージングには多くの重要なバイオメディカル応用があるが、依然として困難な課題である。 標準的な方法は、光吸収や蛍光発光に基づいて画像を形成することを目的としているが、散乱したコヒーレント光の時間的相関が光強度のように組織中に拡散する。 しかし、これらのデータを実験的に測定・処理し、デコリレーションダイナミクスの深部画像化を実証することを目的とした研究はほとんどない。 本研究では, 単光子型アバランシェ・ダイオード(SPAD)アレイカメラと1万個以上の検出器を用いて, 12個のファントム組織表面位置から1光子レベルのスペックル変動を同時に検出する。 次に, 深層ニューラルネットワークを用いて, 取得した単光子測定を, 液体組織ファントムの高速分離下での散乱ダイナミクスの映像に変換する。 組織ファントム下5~8mmの動的事象をmmスケールの解像度で2.5~10Hzのフレームレートで記録できることを実証した。

Noninvasive optical imaging through dynamic scattering media has numerous important biomedical applications but still remains a challenging task. While standard methods aim to form images based upon optical absorption or fluorescent emission, it is also well-established that the temporal correlation of scattered coherent light diffuses through tissue much like optical intensity. Few works to date, however, have aimed to experimentally measure and process such data to demonstrate deep-tissue imaging of decorrelation dynamics. In this work, we take advantage of a single-photon avalanche diode (SPAD) array camera, with over one thousand detectors, to simultaneously detect speckle fluctuations at the single-photon level from 12 different phantom tissue surface locations delivered via a customized fiber bundle array. We then apply a deep neural network to convert the acquired single-photon measurements into video of scattering dynamics beneath rapidly decorrelating liquid tissue phantoms. We demonstrate the ability to record video of dynamic events occurring 5-8 mm beneath a decorrelating tissue phantom with mm-scale resolution and at a 2.5-10 Hz frame rate.
公開日: Sat, 3 Jul 2021 12:32:21 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 l u J 1 2 0 2 l u J 0.85
3 ] s c i t p o 3 ]s c i t p o 0.84
. s c i s y h p [ . s c i s y h p [。 0.76
1 v 2 2 4 1 0 1 v 2 2 4 1 0 0.85
. 7 0 1 2 : v i X r a . 7 0 1 2 : v i X r a 0.85
IMAGING DYNAMICS BENEATH TURBID MEDIA VIA タービッドメディアによるイメージングダイナミクス 0.45
PARALLELIZED SINGLE-PHOTON DETECTION Shiqi Xu1,Xi Yang1, Wenhui Liu1,2, Joakim Jönsson3, Ruobing Qian1, Pavan Chandra Konda1, Kevin C. Zhou1, 偏光単光子検出 シチ・Xu1,Xi Yang1,Wenhui Liu1,2,Joakim Jönsson3,Ruobing Qian1,Pavan Chandra Konda1,Kevin C. Zhou1 0.57
Qionghai Dai2, Haoqian Wang4, Edouard Berrocal3, Roarke Horstmeyer1,5,6,*1 Qionghai Dai2, Haoqian Wang4, Eduard Berrocal3, Roarke Horstmeyer1,5,6,*1 0.75
1Department of Biomedical Engineering, Duke University デューク大学 生物医学工学部 0.51
2Department of Automation, Tsinghua University 第2部 清華大学 自動化部門 0.70
3Department of Combustion Physics, Lund Institute of Technology ルンド工業大学 燃焼物理科3部 0.52
4Tsinghua Shenzhen International Graduate School, Tsinghua University 5Department of Electrical and Computer Engineering, Duke University 4tsinghua shenzhen international graduate school, tsinghua university 5department of electrical and computer engineering, duke university 0.88
6Department of Physics, Duke University デューク大学物理学部 0.53
*roarke.w.horstmeyer @duke.edu ※roarke.w.horstmeyer@ duke.edu 0.52
July 6, 2021 ABSTRACT 2021年7月6日 ABSTRACT 0.79
Noninvasive optical imaging through dynamic scattering media has numerous important biomedical applications but still remains a challenging task. ダイナミック散乱媒質による非侵襲光学イメージングには多くの重要なバイオメディカル応用があるが、依然として困難な課題である。
訳抜け防止モード: ダイナミック散乱媒質による非侵襲光学イメージングには多くの重要な生体医学的応用がある しかし まだ難しい課題です
0.75
While standard methods aim to form images based upon optical absorption or fluorescent emission, it is also well-established that the temporal correlation of scattered coherent light diffuses through tissue much like optical intensity. 標準的な方法は、光吸収や蛍光発光に基づいて画像を形成することを目的としているが、散乱したコヒーレント光の時間的相関が光強度のように組織中に拡散する。 0.70
Few works to date, however, have aimed to experimentally measure and process such data to demonstrate deep-tissue imaging of decorrelation dynamics. しかし、これらのデータを実験的に測定・処理し、デコリレーションダイナミクスの深部画像化を実証することを目的とした研究はほとんどない。 0.53
In this work, we take advantage of a single-photon avalanche diode (SPAD) array camera, with over one thousand detectors, to simultaneously detect speckle fluctuations at the single-photon level from 12 different phantom tissue surface locations delivered via a customized fiber bundle array. 本研究では, 単光子型アバランシェ・ダイオード(SPAD)アレイカメラと1万個以上の検出器を用いて, 12個のファントム組織表面位置から1光子レベルのスペックル変動を同時に検出する。 0.66
We then apply a deep neural network to convert the acquired single-photon measurements into video of scattering dynamics beneath rapidly decorrelating liquid tissue phantoms. 次に, 深層ニューラルネットワークを用いて, 取得した単光子測定を, 液体組織ファントムの高速分離下での散乱ダイナミクスの映像に変換する。 0.71
We demonstrate the ability to record video of dynamic events occurring 5-8 mm beneath a decorrelating tissue phantom with mm-scale resolution and at a 2.5-10 Hz frame rate. 組織ファントム下5~8mmの動的事象をmmスケールの解像度で2.5~10Hzのフレームレートで記録できることを実証した。 0.57
1 Introduction Imaging phenomena within dynamic and optically scattering material, such as human tissue, is a central challenge in biomedical optics. 1 はじめに ヒトの組織などの動的および光学的散乱物質のイメージング現象は、バイオメディカル光学における中心的な課題である。 0.72
Over the past several decades, a wide variety of approaches have been developed to address this challenge at various scales. 過去数十年にわたって、この課題に様々なスケールで対処する様々なアプローチが開発されてきた。 0.84
These include confocal and non-linear microscopy techniques that can now image up to one millimeter deep into tissue[1, 2] at subcellular resolution, as well as novel wavefront shaping[3], time-of-flight diffuse optics[4, 5], and photoacoustic techniques[6] that can extend imaging depths to centimeter scales at lower resolution. これには、組織[1, 2]の細胞内解像度で最大1ミリの深さまでイメージングできる共焦点および非線形顕微鏡技術、新しい波面形状[3]、飛行時間拡散光学[4, 5]、画像深度を低解像度でセンチメートルスケールまで拡張できる光音響技術[6]が含まれる。 0.80
While there are many experimental demonstrations of imaging through or within example slabs of scattering material, very few of these techniques can be easily translated to living tissue specifically, or dynamically varying scattering media in general. 散乱物質のスラブを例にとれば、画像化の実験的な実証は数多く存在するが、これらの技術は、特に生体組織に容易に変換できるものや、散乱媒体を動的に変化させるものはほとんどない。 0.57
Dynamic scattering specimens such as tissue decorrelate[7] - microscopic movements due to effects like thermal variations and cellular movement, for example, cause the optical scattering signature of a particular specimen to change rapidly over time. 組織デコレート[7]のような動的散乱標本 - 温度変化や細胞運動などの影響による顕微鏡的な動き、例えば、特定の試料の光学散乱署名が時間とともに急速に変化する。 0.91
This rapid movement often presents challenges to effective in-vivo deep-tissue imaging. この急激な動きは、しばしば有効なin-vivoの深部画像撮影に課題をもたらす。 0.54
While there are prior wavefront shaping technologies that can overcome such effects to focus within thick tissue at high speeds [8, 9, 10], significant engineering challenges still must be overcome to extend these impressive demonstrations to achieve deep-tissue imaging in human subjects. 厚い組織の中で高速(8,9,10])に焦点を合わせられるような効果を克服できる先行的な波面形成技術はあるが、人間の被写体における深層イメージングを実現するために、これらの印象的なデモを拡張するには、重要なエンジニアリング課題を克服する必要がある。
訳抜け防止モード: 以前の波面形成技術はありますが このような効果を克服して、厚い組織を高速で焦点を合わせる[8, 9, 10]。 重要なエンジニアリング上の課題は 人体における深部組織イメージングを実現するために、これらの印象的なデモを拡張します。
0.66
Instead of attempting to avoid or overcome the effects of decorrelation on imaging measurements, one alternative strategy is to directly measure such dynamic changes within the scattering specimens, and use these changes to aid with image formation. 画像計測における非相関の影響を回避または克服しようとする代わりに、散乱標本内のそのような動的変化を直接測定し、これらの変化を画像形成に役立てるという方法がある。 0.80
In this category of approach, the primary goal is not to form intensity-based images of the absorption or fluorescence emission of light, for example, but to instead create a spatial map of areas within the specimen that are このアプローチのカテゴリでは、第一の目的は、例えば光の吸収や蛍光放射の強度に基づく画像を形成するのではなく、標本内の領域の空間マップを作成することである。 0.76
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 1: Flow diagram of proposed method for imaging temporal decorrelation dynamics. 図1: 時間的非相関ダイナミクスをイメージングするための提案手法のフロー図。 0.76
(a) Illustration of Parallelized Diffuse Correlation Imaging (PDCI) measurement strategy. (a)パラレル化拡散相関イメージング(PDCI)計測戦略の図面化 0.78
Scattered coherent light from a source to multiple detector fibers travels on average through unique banana-shaped paths, dipping 1/2 − 2/3 of the sourcedetector separation deep into decorrelating scattering media (e g , in-vivo tissue). ソースから複数の検出器ファイバへの散乱コヒーレント光は、ソース検出器分離の1/2 − 2/3をディッピングして、散乱媒体(例えば、in-vivo組織)をデコレーションする。 0.75
Fully developed speckle on the tissue surface rapidly fluctuates as a function of deep-tissue movement. 組織表面の完全に発達したスペックルは、深部組織運動の機能として急速に変動する。 0.60
Detected photon paths using only four fiber detectors of our twelve-detector system are simulated using a Monte Carlo method and presented for a clear visualization purpose, and the green dashed box marks the locations of deep-tissue dynamics we attempt to image. 検出された光子パスは, モンテカルロ法を用いて4つのファイバ検出器のみを用いてシミュレーションされ, 明確な可視化目的のために提示され, グリーンダッシュボックスは, 画像化を試みる深層動特性の位置を示す。 0.73
(b) Computed autocorrelation curves from time-resolved measurements of surface speckle at different tissue surface locations. b) 組織表面の異なる部位における表面スペックルの時間分解測定による自己相関曲線の計算 0.78
The change of autocorrelations are caused by the varying deep-tissue dynamic scattering potentials labeled at the bottom left. 自己相関の変化は、左下にラベル付けされた様々な深部分布の動的散乱電位によって引き起こされる。 0.66
(c) Videos of reconstructed dynamic variations occurring beneath the decorrelating scattering material. c) 相関散乱材料の下に生じる再構成された動的変動の映像。 0.78
fluctuating more or less rapidly, typically by looking at the temporal dynamics (e g , temporal variance or correlation) of scattered radiation. 通常、散在する放射線の時間的ダイナミクス(例えば、時間的ばらつきまたは相関)を見ることによって、多かれ少なかれ急速に変動する。 0.75
A number of important biological phenomena cause such dynamic variation of an optical field as a function of time, ranging from blood flow to neuronal firing events[11, 12, 13, 14]. 多くの重要な生物学的現象は、血流から神経細胞の発射イベント[11, 12, 13, 14]まで、時間の関数として光学場のダイナミックな変動を引き起こす。 0.80
Methods such as optical coherence tomography angiography[15] and laser speckle contrast imaging[12] have been developed to measure such dynamics close to the tissue surface. 光コヒーレンス断層撮影法[15]やレーザースペックル造影法[12]などの手法が組織表面近傍のダイナミックスを測定するために開発されている。 0.80
However, to detect an optical signal that has traveled deeper than several millimeters inside living tissue, which increasingly attenuates and decorrelates the optical field, one typically needs to eventually rely on fast single-photon-sensit ive detection techniques that record optical fluctuations at approximately MHz rates. しかし、生体組織内の数ミリ以上の光信号を検出するためには、光磁場の減衰と相関が増すため、一般的には、光ゆらぎを約mhz速度で記録する高速単一光子検出技術に頼る必要がある。 0.66
One established technique to detect dynamic scattering multiple centimeters within deep tissue is termed diffuse correlation spectroscopy(DCS)[16]. 深部組織内に複数cmの動的散乱を検出できる確立された手法は、dsp(distribution correlation spectroscopy)[16]と呼ばれる。 0.75
This technique uses a relatively simple strategy: when coherent light enters a turbid medium, it randomly scatters and produces speckle. この手法は比較的単純な戦略を用いており、コヒーレント光が濁った媒体に入るとランダムに散乱し、スペックルを生成する。
訳抜け防止モード: この手法は比較的単純な戦略を用いる。 コヒーレント光が濁った媒体に入ると ランダムに散乱し スペックルを生成する
0.81
In a given volume of tissue, dynamic movements (e g , cellular movement or blood flow) occur at different spatial locations. 特定の組織量において、動的運動(例えば、細胞の動きや血流)は異なる空間的位置で起こる。 0.79
The scattered optical field within this tissue volume will thus interact with such dynamics in a spatially variant manner. この組織体積内の散乱光学場は、空間的に変化する方法でそのような力学と相互作用する。 0.65
By measuring the temporal fluctuations of the scattered optical field at the tissue surface, it is possible to estimate a spatiotemporal map of decorrelating events. 組織表面における散乱光学場の時間的ゆらぎを測定することにより、デカップリング事象の時空間マップを推定することができる。 0.76
While such methods are widely used to assess blood flow variations across finite tissue areas as deep as beneath the adult skull [17], there has been limited work to date to rapidly form spatially resolved images of dynamic events beneath turbid media [16], despite early work demonstrating that the temporal correlation of light transports through tissue following a well-known diffusion process[18]. 成人頭蓋骨 [17] の深部のような有限組織領域における血流の変動を評価するために広く用いられているが, 初期の研究は, 光輸送の時間的相関がよく知られた拡散過程 [18] に続くことを示しつつも, メディア [16] の下の動的事象の空間分解画像を迅速に形成する作業は限られている。 0.83
Three main challenges have prevented imaging of deep-tissue temporal dynamics: 1) a low signal-to-noise (SNR) due to a limited number of available photons at requisite measurement rates, 2) a limited number of detectors to collect light from different locations across the scatterer surface, and 3) a challenging ill-posed inverse problem to map acquired data to accurate imagery. 1) 必要な測定速度で利用可能な光子数が少ないことによる低信号対雑音(snr)、2) 散乱体表面の異なる場所から光を集めるための限られた数の検出器、3) 取得したデータを正確な画像にマッピングするための不適切な逆問題、の3つの主な課題である。 0.74
In this work, we have developed a new optical system and data post-processing pipeline, termed Parallelized Diffuse Correlation Imaging(PDCI), that addresses the above challenges to form images and video of dynamics events at multi-Hz rates beneath multiple millimeters of decorrelating turbid media. 本研究では,複数ミリの非相関媒体のマルチHz速度で動画像と動画像を形成する上での課題に対処する,並列化拡散相関画像(PDCI)と呼ばれる新しい光学系とデータ後処理パイプラインを開発した。 0.82
Our new optical probe, which requires no scanning or moving parts, can image across a 140 mm2 field-of-view at 5-8 mm depths beneath a decorrelating s = 0.7 mm−1, Brownian coefficient D = 1.5 × 106 mm2). 走査や可動部品を必要としない新しい光学プローブは, s = 0.7 mm−1, ブラウン係数D = 1.5 × 106 mm2) の下, 140 mm2の視野を5-8 mmの深さで撮影することができる。 0.77
With this liquid tissue phantom (µa = 0.01 mm−1, µ(cid:48) arrangement, we demonstrate a 2.5-10 Hz video frame rate, for example - although many of these parameters can be flexibly adjusted. この液体組織ファントム(μa = 0.01 mm−1, μ(cid:48)配置で、例えば2.5-10Hzのビデオフレームレートを示す。
訳抜け防止モード: この液体組織ファントム(μa = 0.01 mm−1, μ(cid:48 )配列)を用いる。 例えば、2.5 - 10Hzのビデオフレームレートを示すが、これらのパラメータの多くは柔軟に調整できる。
0.68
To solve the first two challenges listed above, we use a single-photon avalanche diode (SPAD) array to simultaneously measure speckle field fluctuations across the tissue surface at the requisite sampling rates (∼µs) and single-photon 上述した2つの課題を解決するために、単光子アバランシェダイオード(SPAD)アレイを用いて、必要なサンプリングレート(μs)と単光子で組織表面のスペックル場変動を同時に測定する。 0.72
2 13.9mm5-8mmCoherenti llumination𝒕𝒕𝒙𝒙𝒚𝒚𝒕𝒕𝒙𝒙𝒚𝒚𝒚𝒚𝒙𝒙𝒕𝒕𝒚𝒚𝒙𝒙𝒕𝒕Fiber1Fiber2Fiber3Fi ber4……(b)Temporal autocorrelationDetec ted rapidly decorrelating specklesReconstructe d deep-tissue dynamics(c)2.5-10 Hz frame-rate video(a)Decorrelatin g speckle field on surfaceDeep-tissue dynamicsIntensity correlationTime-lag( μs)Dynamic scattering volumeFiber1Fiber2…Fiber12𝑇𝑇0𝑇𝑇1𝑇𝑇2𝑇𝑇34mmminmax𝑇𝑇0𝑇𝑇1𝑇𝑇2𝑇𝑇3 2 13.9mm5-8mmCoherenti lluminationttxxytxxy yyxxttyyxxtFiber1Fib er2Fiber3Fiber4..... .(b)Temporal autocorrelationDetec ted quickly decorected deep-tissue dynamics(c)2.5-10 Hz frame-rate video(a)Decorrelatin g speckle field on surfaceDeep-tcomplet e dynamicsIntensity correlationTime-lag( μs)Dynamic scattering volumeFiber1Fiber2.. .Fiber12TT0TT2TT34mm maxTT0TT2TT2TT2TT2TT 2TT3 0.60
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 2: (a) Schematic of PDCI system for imaging decorrelation. 図2: (a)デコリレーションイメージングのためのPDCIシステムのスキーマ。 0.76
Back-scattered coherent light from single input port is collected using 12 multimode fibers (MMF) at tissue phantom surface and guided to SPAD array camera. 単一入力ポートからの後方散乱コヒーレント光を組織ファントム表面の12個のマルチモードファイバー(MMF)を用いて収集し,SPADアレイカメラに誘導する。 0.78
(b) Photos of fiber bundle probe, showing 12 detectors radially positioned around light delivery fiber in center. b) 中心の光ファイバーの周りに12個の検出器を放射状に配置したファイバー束プローブの写真。 0.75
(c) Simulation of photon-sensitive region of our 12-fiber system. (c)12ファイバー系における光子感受性領域のシミュレーション 0.75
sensitivities needed for deep detection[19]. 深部検出に必要な感度[19] 0.72
Recently developed SPAD arrays, based now on standard complementary metal-oxide-semicond uctor(CMOS) fabrication technology, can integrate up to a million SPAD pixels onto a small chip[20, 21] for new scientific imaging applications in fluorescence lifetime imaging[22], scanning microscopy[23], confocal fluorescence fluctuation spectroscopy[24], Fourier ptychography[25], as well as computer vision tasks such as depth profile estimation [20, 26], seeing around corners [27] and through scattering slabs[28, 4]. Recently developed SPAD arrays, based now on standard complementary metal-oxide-semicond uctor(CMOS) fabrication technology, can integrate up to a million SPAD pixels onto a small chip[20, 21] for new scientific imaging applications in fluorescence lifetime imaging[22], scanning microscopy[23], confocal fluorescence fluctuation spectroscopy[24], Fourier ptychography[25], as well as computer vision tasks such as depth profile estimation [20, 26], seeing around corners [27] and through scattering slabs[28, 4]. 0.89
Most prior DCS measurement systems relied on fast single-pixel single-photon detectors (including SPADs and photomultiplier tubes) for optical measurement[16]. 従来のdcs測定システムは、光学計測のために高速単画素単一光子検出器(スパッドや光増倍管を含む)に依存していた[16]。 0.66
Single-pixel strategies for DCS-based image formation have several fundamental limitations. DCSベースの画像形成のための単一ピクセル戦略には、いくつかの基本的な制限がある。 0.42
While a number of works using just a single or few detectors have demonstrated DCS-based imaging of temporal correlations in the past [18, 13, 29, 30, 31], none simultaneously acquired DCS signal from multiple tissue surface areas, as required for rapid image formation (e g to avoid effects of subject movement). 単一または少数の検出器を用いた多くの研究は、過去[18、13、29、30、31]におけるdcsに基づく時間的相関のイメージングを実証しているが、迅速な画像形成(例えば、被験者の動きの影響を避けるために)に必要な複数の組織表面領域からのdcs信号を同時に取得することは無かった。 0.67
Instead, these prior works mechanically scanned the specimen or illumination/detecti on locations in a step-and-repeat fashion to measure speckle from different surface locations on a single detector. その代わり、これらの先行研究は1つの検出器で異なる表面位置からスペックルを測定するために、ステップ・アンド・レピート方式で標本や照明・検出位置を機械的にスキャンした。
訳抜け防止モード: その代わりに、これらの以前の作業は、ステップ内の標本または照明/検出位置を機械的にスキャンした。 繰り返しファッション 1つの検出器上の異なる表面位置から スペックルを測定する
0.59
Furthermore, as only one or a few speckle modes can be sampled by a single detector while still maintaining suitable contrast, a long (seconds or more) measurement sequence is typically required to obtain a suitable signal-to-noise ratio for each measured temporal correlation curve (i.e., each surface location). さらに、適切なコントラストを維持しながら、1つ以上のスペックルモードのみを単一の検出器でサンプリングできるため、測定された時間相関曲線(すなわち、各表面の位置)ごとに適切な信号対雑音比を得るためには、長い(秒以上)測定シーケンスが必要となる。 0.82
This limited correlation measurement rate is quite detrimental - the effects of the subject pulse are challenging to account for, and it precludes observation of dynamic variations at approximately sub-Hz rates, for example. この限られた相関測定速度は極めて不利であり、対象パルスの影響は考慮が困難であり、例えば、およそ低周波数での動的変動の観測を妨げている。 0.79
Recent work has demonstrated how parallelized speckle detection across many optical sensor pixels [32, 33, 34, 35, 36] can lead to significantly faster correlation sampling rates. 近年の研究では、多くの光学センサ画素 [32, 33, 34, 35, 36] におけるスペックルの並列検出が、相関サンプリング率を著しく向上させることを示した。 0.72
In this work, we build upon these insights to create a system capable of recording spatially resolved video of temporal decorrelation. 本研究では,これらの知見に基づいて,時間的不相関の空間的解決映像を記録できるシステムを構築する。 0.77
The third challenge noted above relates to the computational formation of dynamic images from limited speckle-based measurements across the scatterer surface, which is typically formulated as an ill-posed inverse diffusion problem. 上述した第3の課題は、散乱器表面を横断する限られたスペックルに基づく測定結果から動的画像の計算的生成に関するものである。 0.71
While model-based solvers have demonstrated effective dynamics imaging in prior work[18, 13, 29, 30, 31], simple scattering geometries are typically assumed (e g , infinite and semi-infinite geometries), which are rarely accurate in biomedical contexts. モデルに基づく解法は, 先行研究[18, 13, 29, 30, 31]において有効なダイナミックスイメージングを実証しているが, 単純な散乱測地は概ね仮定される(例:無限・半無限測地)。 0.71
To alleviate model-based reconstruction issues, one can adopt a data-driven image reconstruction approach for model-free reconstruction of imaged objects. モデルに基づく再構成問題を緩和するために、画像オブジェクトのモデルフリー再構成にデータ駆動画像再構成アプローチを採用することができる。
訳抜け防止モード: モデルに基づく再構築の問題を緩和する。 データ駆動のイメージ再構成アプローチをモデルに適用できる。
0.76
Typically formed via training of a non-linear estimator with large amount of labeled data, such “physics-aware" neural networks have been used in the past to image static amplitude or phase objects through and within scattering medium using both all-optics [37, 38, 39, 40, 41, 42] and photoacoustic methods[43]. ニューラルネットワークは、過去に全光学[37, 38, 39, 40, 41, 42]および光音響手法[43]を用いて、散乱媒質中および散乱媒質中における静的振幅または位相物体を画像化するために、大量のラベル付きデータを持つ非線形推定器の訓練によって形成される。 0.80
Inspired by such recent progress, we address the deep dynamic scattering imaging challenge with a new speckle measurement strategy that acquires temporal measurements of rapidly fluctuating speckle fields from different surface locations with a common SPAD array, from which we spatially resolve images of dynamics 5-8 mm deep s = 0.7 mm−1, Brownian coefficient D = 1.5 × 106 mm2) at 2.5-10 Hz beneath turbid medium(µa = 0.01 mm−1, µ(cid:48) frame rates using a novel image formation model, as detailed below. Inspired by such recent progress, we address the deep dynamic scattering imaging challenge with a new speckle measurement strategy that acquires temporal measurements of rapidly fluctuating speckle fields from different surface locations with a common SPAD array, from which we spatially resolve images of dynamics 5-8 mm deep s = 0.7 mm−1, Brownian coefficient D = 1.5 × 106 mm2) at 2.5-10 Hz beneath turbid medium(µa = 0.01 mm−1, µ(cid:48) frame rates using a novel image formation model, as detailed below. 0.95
3 (a)Imaging setupImaging sensitivity(c)(b)MMF bundle probeSourceDetectors Front viewSide view670 nm LaserLensSAPD arrayMMF bundleLiquid phantom5-8mmDMD display𝒛𝒛𝟐𝟐𝒛𝒛𝟏𝟏𝟐𝟐𝟐𝟐MMFlightdirectionSou rceDetectorsIrisminm ax30mm 3 a)Imaging setupImaging sensitivity(c)(b)MMF bundle probeSourceDetectors Front viewSide view670 nm LaserLensSAPD arrayMMF bundleLiquid phantom5-8mmDMD displayzz22zz1122MMF lightdirectionSource DetectorsIrisminmax3 0mm 0.70
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
2 Methods In this section, we outline our experimental imaging setup with a novel tissue phantom, data acquisition process and image formation inverse model. 2つの方法 本稿では,新しい組織ファントム,データ取得プロセス,画像形成逆モデルを用いて,実験画像のセットアップについて概説する。 0.71
2.1 Parallelized speckle detection setup with novel phantom 2.1 新規ファントムを用いた並列スペックル検出セットアップ 0.67
The phantom design and imaging setup is outlined in fig. ファントムの設計とイメージングのセットアップはfigで概説されている。 0.51
2. To quantitatively assess the performance of our PDCI system, we turn to an easily re-configurable non-biological liquid phantom setup that offers the ability to flexibly generate unique image targets with known spatial and temporal properties. 2. PDCIシステムの性能を定量的に評価するために, 空間的・時間的特性が知られている独自の画像ターゲットを柔軟に生成する機能を備えた, 簡単に再構成可能な非生物的液ファントム構成に目を向ける。 0.77
To mimic decorrelation rates and scattering properties of human tissue, we utilized a liquid phantom filled with 1µm-diameter polystyrene microspheres(4.55 × 106#/mm3) solution enclosed in a custom-designed thin-walled cuvette as rapidly decorrelating turbid volume to occlude the target of interest. 1μm径のポリスチレン微粒子 (4.55 × 106#/mm3) 溶液を密閉した液体ファントムを, 薄肉キューベットに充填し, 急激な振動量減少効果を生かし, 興味の対象を阻害した。
訳抜け防止モード: ヒト組織の相関率と散乱特性を模倣する。 1μmの直径のポリスチレンマイクロスフィア(4.55×106#/mm3)溶液で充填した液体ファントムを用いた。 関心の対象を遮るために急速にタービッドボリュームを分離する。
0.80
The target exhibits a reduced scattering coefficient of 0.7mm−1 as computed by the Lorenz-Mie method, and an experimentally measured absorption coefficient of 0.01mm−1. ターゲットはローレンツ・ミー法で計算された0.7mm−1の低減散乱係数を示し、実験的に測定された吸収係数は0.01mm−1である。 0.55
Also, based on fitting using a Monte Carlo method[44], the medium exhibits an estimated Brownian motion diffuse constant of 1.5 × 106mm2, which is close to the diffusion coefficient measured in model organisms [45]. また、モンテカルロ法[44]を用いたフィッティングに基づいて、モデル生物[45]で測定された拡散係数に近い1.5×106mm2のブラウン運動拡散定数を推定する。 0.71
Supplement Section 2 details how these values are estimated. 補足セクション2は、これらの値をどのように見積もるかを詳述している。 0.46
To generated expected temporal fluctuation variations within living tissue caused e g by blood flow, we placed a digital micro-mirror device (DMD) immediately behind this tissue phantom, with which we programmatically created spatiotemporally varying patterns at kilohertz rates[33]. この組織ファントムのすぐ後ろにデジタルマイクロミラー装置(dmd)を設置し,kilohertz rate[33]で時空間的に変化するパターンをプログラムで作成した。
訳抜け防止モード: egが血流によって生じる生体組織内の時間変動を予測する。 組織ファントムのすぐ後ろに デジタルマイクロミラー装置(DMD)を設置しました 時空間的に異なるパターンをキロヘルツレート[33 ]でプログラム的に生成しました
0.81
Our light source is a 670nm diode-pumped solid-state(DPSS) laser(MSL-FN-671, Opto Engine LLC, USA) with a coherence length ≥ 10m, which we attenuated to 200 mW to match standard ANSI safety limits for illuminating tissue with visible light [46]. 光源は670nmダイオード励起固体(DPSS)レーザー(MSL-FN-671, Opto Engine LLC, USA)で, コヒーレンス長は10m以上であり, 可視光を照射するための標準ANSIの安全性限界に合わせるために200mWまで減衰した。 0.86
We guided this light to the liquid phantom surface using a 50µm, 0.22 numerical aperture (NA) multi-mode fiber (MMF). 我々はこの光を50μm, 0.22 数値開口 (NA) マルチモードファイバ (MMF) を用いて液体ファントム表面に誘導した。 0.80
Before the MMF, we ensured that the DPSS laser output was effectively a single transverse mode with a fiber coupler, such that either an MMF or a single-mode fiber (SMF) could serve as the source waveguide[33, 34], with MMF being a generally less expensive option. MMFの前には、DPSSレーザー出力が、MMFまたはSMFのどちらかがソース導波路として機能し、MMFが一般的に安価な選択肢であるように、ファイバカプラを用いた単一横モードであることが保証された。
訳抜け防止モード: MMFの前には、DPSSレーザー出力がファイバーカプラを用いた単一横モードであることが保証された。 MMFまたは単一モードファイバ(SMF)がソース導波路[33, 34]として機能する。 MMFは一般的に安価な選択肢です。
0.79
After entering the liquid phantom, the light randomly scatters and decorrelates, a small fraction of which reaches the DMD placed immediately behind the turbid medium. 液体ファントムに入った後、光はランダムに散乱してデコレーションし、そのごく一部は濁った媒体のすぐ後ろに置かれたMDDに達する。 0.58
The side of the phantom cuvette facing the DMD is made of microscope slide coverglass. DMDに面した幻のキューブの側面は、顕微鏡スライドカバーグラスでできている。 0.72
As illustrated in Fig 2(b), each square DMD pixel has 13.7× 13.7µm2 area. 図2(b)に示すように、各平方DMDピクセルは13.7×13.7μm2の面積を持つ。 0.59
With 768× 1024 pixels, the entire DMD panel has a screen size of 10.4 × 13.9mm2. 768×1024ピクセルのDMDパネルはスクリーンサイズが10.4×13.9mm2である。 0.76
We chose to use a DMD to generate the spatiotemporal dynamic scattering patterns first because it is easily configurable: light reaching the quickly flipping pixels decorrelates faster than light that does not, and these pixels are digitally addressible and thus can be changed both spatially and temporally without moving the setup; second, because it can meet requisite dynamic variation speeds (we run the DMD between 5-10 kHz), which we have selected to correlate with the response of blood flow at tested depths (5-8 mm) [33]. We chose to use a DMD to generate the spatiotemporal dynamic scattering patterns first because it is easily configurable: light reaching the quickly flipping pixels decorrelates faster than light that does not, and these pixels are digitally addressible and thus can be changed both spatially and temporally without moving the setup; second, because it can meet requisite dynamic variation speeds (we run the DMD between 5-10 kHz), which we have selected to correlate with the response of blood flow at tested depths (5-8 mm) [33]. 0.91
As the reflected multi-scattered light penetrates on average about 1/2 − 2/3 times the source-detector distance(ρ) deep into the phantom tissue [47], we place 12 multi-speckle detection fibers circularly around the source in the center with ρ = 9.0mm. 反射された多重散乱光はファントム組織 [47] の深さの約1/2 − 2/3 のソース検出器距離 [ρ] を透過するので、12個のマルチスペック検出ファイバーを中央のソースの周囲に ρ = 9.0mm で円形に配置した。 0.72
Each multi-speckle detection fiber is a MMF with a 250µm core diameter and 0.5 NA. マルチスペックル検出ファイバは250μmコア径0.5naのmmfである。 0.78
Quantitative plots of an x-z cross section of the most probable scattered and collected photon trajectories, as well as the expected number of photons per speckle per sampling period, are provided in Supplement Fig s1(b). 補助図s1(b)には、最も確率の高い散乱および収集された光子軌道のx-z断面の量的プロットと、サンプリング周期当たりのスペックル当たりの光子数とが記載されている。 0.72
We use a modern Monte Carlo simulator called “Multi-Scattering“[48] that models anisotropy from spherical scattering centers using a Lorenz-Mie based scattering phase functions. 我々は,ロレンツ・ミーに基づく散乱位相関数を用いて,球状散乱中心からの異方性をモデル化したモンテカルロシミュレータ “Multi-Scattering”[48] を用いた。 0.81
The model has recently been rigorously validated against experimental results as shown in [49, 50] and can obtain 3D representations of photon paths within the simulated scattering medium. このモデルは, [49, 50] に示す実験結果に対して厳密に検証され, 模擬散乱媒質内の光子経路の3次元表現が得られる。 0.83
Such results are shown in Fig 2(c) for the experimental configuration presented in this article, where 12 optical fibers are used for collecting photons, which is the imaging space of our PDCI system. このような結果が図2(c)に示され、pdciシステムの撮像空間である光子を集めるために12個の光ファイバが使用される。 0.63
Visualizations of 3D trajectories for detected photon using different numbers of fibers are also provided in Supplement Fig S2(b). fig s2(b) では、異なる数の繊維を用いて検出された光子の3次元軌道を可視化する。 0.69
Away from the tissue surface, the distal ends of the 12 MMFs are bundled together and imaged onto the SPAD array (PF32, Photon Force, UK) with a magnification M = z2/z1 using a single lens with an iris diaphragm placed directly adjacent to the lens. 組織表面から離れて、12mmfの端部を束ねてスパッドアレイ(pf32、光子力、イギリス)に撮像し、拡大m = z2/z1をレンズに隣接してアイリスダイアフラムを配置した単一レンズを用いて拡大する。
訳抜け防止モード: 組織表面から離れて、12個のMMFの遠位端が束ねられている SPAD配列 (PF32, Photon Force) に画像化されます 倍数 M = z2 / z1 を持つ。 虹彩横隔膜がレンズに直接隣接している 単一のレンズで
0.76
As labeled in fig.2, r, z1, and z2 are the radius of the iris diaphragm, the distance between fiber bundle exist and lens, and the distance between lens and the SPAD array sensor plane, respectively. 図2、r、z1、z2にラベル付けされているように、虹彩横隔膜の半径であり、繊維束とレンズとの距離があり、レンズとSPADアレイセンサ面との距離がある。 0.72
To form an image of the fiber bundle on the camera, z1 and z2 satisfy the thin lens equation. カメラ上のファイババンドルの画像を形成するため、z1,z2は薄いレンズ方程式を満たす。 0.81
In practice, r/z1 is much smaller than the fiber NA, which determines the NA of the overall speckle imaging system. 実際には、r/z1はファイバNAよりもはるかに小さく、全スペックルイメージングシステムのNAを決定する。 0.69
As illustrated in Fig 4(a), the 32 × 32 SPAD array has an overall size of 1.6 × 1.6mm2 with a pixel pitch of wp = 50µm and an active area that is φ = 6.95µm in diameter. 図4(a)に示すように、32×32スパッドアレイの全体サイズは 1.6 × 1.6mm2、ピクセルピッチは wp = 50μm、アクティブ面積は φ = 6.95μmである。 0.84
As the magnification is fixed for imaging the light exiting the fiber bundle onto the whole camera, we tune the radius of the iris diaphragm to alter the average speckle size, such that approximately 1 speckle on average is mapped onto each SPAD pixel active area; i.e., we want the speckle size on the sensor plane to match φ. ファイバー束をカメラ全体に射出する光を撮像するための倍率を固定するため、平均スペックルサイズを変更するために虹彩横隔膜の半径を調整し、各SPADピクセルのアクティブ領域に平均約1のスペックルをマッピングする。
訳抜け防止モード: 倍率を固定して、ファイバー束をカメラ全体に射出する光を撮像する。 虹彩横隔膜の半径を調整して 平均スペックルサイズを変えます 平均で約1のスペックルが各SPADピクセルのアクティブ領域にマッピングされる つまり、センサー面のスペックルサイズをφに合わせるようにしたいのです。
0.70
Given that the collected light experiences ∼ 440 scattering events on average (see Supplement Fig 1(c)), the emerging light at the tissue surface is a fully developed speckle pattern with an average speckle size of λ/2 [51] and uniformly distributed phase [52]. 収集された光は平均440回の散乱イベント(サプリメントフィグ1(c)を参照)であり、組織表面の出現光は完全に発達したスペックルパターンであり、平均スペックルサイズはλ/2 [51] であり、均一に分布するフェーズ [52] である。 0.84
Hence, setting gives the desired iris radius r = λM/2φz1. そのため、設定 所望のアイリス半径 r = λm/2 φz1 を与える。 0.66
M λ 2 NA = φ M λ 2 NA = φ 0.85
4 (1) 4 (1) 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 3: (a) Profile view of the tissue phantom imaging experiment. 図3: (a)組織ファントムイメージング実験のプロファイルビュー。 0.66
Digital micro-mirror device (DMD) serves as source of temporal dynamics and is hidden beneath phantom by placing it immediately adjacent (separated by coverglass). DMD(Digital Micro-mirror Device)は、時間力学の源であり、すぐ隣(カバーグラスで分離)に置いてファントムの下に隠されている。
訳抜け防止モード: デジタルマイクロミラー装置(DMD)は時間力学の源となる 幻の下に隠れています すぐ隣に置く(カバーグラスで区切られる)。
0.72
All sources and detectors are placed on the same side of phantom. すべての源と検出器はファントムの同じ側に置かれている。 0.74
Colormap provides qualitative photon distribution map, where quantitative plot of sub-surface photon distribution is in Supplement Fig 1. カラーマップは、表面光子分布の定量的プロットを補足図1に示す定性的光子分布マップを提供する。 0.72
(b) Zoom-in of DMD with example dynamic scattering objects (at 5-10kHz variation rates). (b)動的散乱物体を用いたDMDのズームイン(5-10kHzの変動速度)。 0.78
(c) A picture of the tissue phantom we use in the experiment. (c)実験で使用する組織ファントムの写真。 0.56
(d) The corresponding fast-varying DMD patterns generate the dynamic scattering objects in (b). (d)対応する高速varying dmdパターンは、(b)の動的散乱オブジェクトを生成する。 0.83
2.2 Data acquisition and prepossessing We use the SPAD array’s 1024 (32 × 32) independent single SPADs to count photons arriving at each pixel with a frame rate of 666kHz and a bit depth of 4. 2.2 データ取得と推定 SPAD配列の1024 (32 × 32) 独立したSPADを使用して、各ピクセルに到着する光子を666kHz、ビット深さ4。 0.69
This is equivalent to an exposure time of Ts = 1.5µs. これはTs = 1.5μsの露光時間に相当する。 0.80
To extract the temporal statistics from measurements of randomly fluctuating surface speckle at 666kHz, we then compute a temporal autocorrelation on a per-SPAD basis. 666kHzでランダムに変動する表面スペックルの測定から時間統計を抽出し,SPAD毎の時間的自己相関を計算する。 0.77
We note that there are a number of strategies available to compute such temporal statistics across a SPAD array (e g , joint processing across pixels, examining higher-order statistics, or more advanced autocorrelation inference methods[53, 54]). 本研究では,SPADアレイにまたがる時間統計(例えば,画素間の共同処理,高次統計検査,あるいはより高度な自己相関推論手法[53,54])を計算できる戦略が多数存在することに留意する。 0.79
We have selected the per-pixel method here as it is well-established[32, 34, 33]. ここでは、[32, 34, 33]として画素あたりの手法を選択した。 0.75
We compute our temporal autocorrelations across “frame integration time" of typically Tint = 0.4s, which yields N = Tint/Ts frames per autocorrelation measurement. 我々は、典型的には Tint = 0.4s の「フレーム積分時間」で時間的自己相関を計算する。 0.70
Rather than using a physical correlator module, we record the time-resolved photon stream as a 1024 × N array and compute the autocorrelations in software, where typically N = 266k. 物理相関器モジュールを使用する代わりに、時間分解された光子ストリームを1024×Nアレイとして記録し、通常N = 266kとなるソフトウェアで自動相関を計算する。 0.75
We also explore the effect of using a shorter Tint and fewer SPADs per measurement in Section 3. また、第3節では、短いティントと少ないSPADを用いることの効果についても検討する。 0.56
As illustrated in Fig 4, we compute the normalized temporal intensity autocorrelation [16] of each pixel as, 図4に示すように、各ピクセルの正規化された時間強度自己相関 [16] を計算する。 0.75
gp,q 2 (τ ) = gp,q 2 (τ ) = 0.85
(cid:104)I p,q(t)I p,q(t + τ )(cid:105)Tint (cid:104)I p,q(t)I p,q(t + τ )(cid:105)Tint 0.99
(cid:104)I p,q(t)(cid:105)2 (cid:104)I p,q(t)(cid:105)2 0.93
Tint , (2) ティント , (2) 0.73
where I p,q(t) is the photon count detected by the q-th SPAD for p-th fiber at time t; τ is time-lag (or delay or correlation time), and (cid:104) · (cid:105)Tint 2 (τ ) for each single SPAD, we then obtain an average, noise-reduced curve by averaging curves that are produced by the Qp unique SPADs that detect light emitted by the same MMF detection fiber: i p,q(t) は、時間 t における p-th 繊維の q-th SPAD で検出された光子数であり、τ は時間ラグ(または遅延または相関時間)であり、 (cid:104) · (cid:105)Tint 2 (τ ) は、各SPAD に対して、それぞれ Qp 独自の SPAD によって生成される平均的なノイズ低減曲線を得る。
訳抜け防止モード: i p, q(t ) は q - th SPAD for p - th fiber at time t ; τ is time -lag ( or delay or correlation time ) によって検出される光子数である。 cid:104 ) · (cid:105) それぞれの SPAD に対して Tint 2 ( τ ) 平均的な ノイズ低減曲線が得られます 同じMMF検出ファイバから放射される光を検出するQp独自のSPADによって生成される。
0.91
denotes time average estimated by integrating over Tint. Tint を統合して見積もる時間平均を表す。 0.74
After calculating gp,q gp,q を計算した後 0.72
gp 2(τ ) = gp 2(τ ) = 0.85
1 Qp Qp(cid:88) 1Qp Qp (cid:88) 0.80
q=1 gp,q 2 (3) q=1 gp,q2 (3) 0.75
for the pth MMF fiber, where we used a total of 12 MMF. pth MMF 繊維では,計12 MMF を使用した。 0.67
A straightforward calibration procedure allows us to identify the Qp SPADs within the array that receives light from the pth MMF, which we save as a look-up table. 簡単な校正法により、pth MMFから光を受け取る配列内のQp SPADを識別し、ルックアップテーブルとして保存する。 0.61
We next compile the gp 2(τ ) from each fiber into a set of 12 average intensity autocorrelation curves per frame, with the aim of reconstructing the spatiotemporal scattering structure hidden beneath the decorrelating phantom. 次に、各ファイバからgp2(τ)をフレーム毎に平均12の強度自己相関曲線にコンパイルし、相互相関するファントムの下に隠れた時空間散乱構造を再構築する。 0.73
An example set of intensity autocorrelation curves is in Fig 1(b). 強度自己相関曲線の例は図1(b) にある。 0.69
The maximum lag or delay time τmax is selected at 600µs, as the values of the intensity autocorrelation start approaching 1 asymptotically. 強度自己相関の値が漸近的に1に近づくと、最大遅延時間τmaxが600μsで選択される。 0.74
The dynamic scattering patterns used for training and testing are discussed in detail in the next sub-section. トレーニングやテストに使用する動的散乱パターンについては,次節で詳細に論じる。 0.76
5 (b)DMD display zoom-inProfile view of tissue phantom(a)10.4 mm13.6μm13.9 mmDynamic variation 𝚫𝚫𝒕𝒕=𝟏𝟏𝟏𝟏𝟏𝟏𝛍𝛍𝛍𝛍….010k𝑥𝑥′𝑦𝑦′Picture of tissue phantom(c)Dynamic scattering patterns(d) 5 b)DMD Display zoom-inProfile view of tissue phantom(a)10.4 mm13.6μm13.9 mm Dynamic variation ΔΔtt=1111μμμ....010kxx'yy'Picture of tissue phantom(c)Dynamic scattering patterns(d) 0.74
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 4: Data preprocessing flow for our parallelized speckle detection system. 図4: 並列化スペックル検出システムのためのデータ前処理フロー。 0.79
(a) shows a few frames of the raw data captured by the 32 × 32 SPAD array camera at a 1.5µs exposure. (a) 1.5μsの露光で32×32 SPADアレイカメラで捉えた生データのいくつかのフレームを示す。 0.73
(b) illustrates the SPAD pixels that records the speckle fluctuations from the detector fiber p. (c) some representative time-resolved photon counting measurements from each SPAD pixel. b) 検出器ファイバからのスペックル変動を記録するSPAD画素を例示し(c) 各SPAD画素の代表的な時間分解光子計数測定を行う。 0.81
The normalized intensity temperal autocorrelation curve for each pixel is calculated using the eq.2 as plotted in (d). プロットされたeq.2を用いて各画素の正規化強度テンペラル自己相関曲線を算出する(d)。
訳抜け防止モード: 各画素の正規化強度テンペラル自己相関曲線を計算する eq.2 を (d ) にプロットする。
0.78
All the computed correlations from SPAD pixels that measures the speckle p are averaged to generate a relatively smooth autocorrelation g2 スペックルpを測定するスペード画素からの全ての計算相関は平均化され、比較的滑らかな自己相関g2を生成する。 0.56
p for the surface location p = 1, 2, .., 12. p = 1, 2, ..., 12 である。 0.43
Figure 5: Proposed artificial neural network architecture for diffuse correlation image reconstruction, which takes a set of 12 computed intensity auto-correlation curves as input. 図5: 拡散相関画像再構成のための人工ニューラルネットワークアーキテクチャの提案。
訳抜け防止モード: 図5:拡散相関画像再構成のための人工ニューラルネットワークアーキテクチャの提案 12個の計算された強度オート-相関曲線を入力とする。
0.80
The network first encodes the high-dimension measurement into a low-dimension manifold through a stack of fully-concerted layers, and decodes the embedding into a spatial reconstructions of the dynamics hidden underneath decorrelating phantom tissue, using convolutional layers. ネットワークはまず、高次元の計測を完全完結層からなるスタックを通して低次元多様体に符号化し、畳み込み層を用いてファントム組織の下に隠れたダイナミクスの空間的再構成に復号する。 0.75
Bent green arrows are skip connections. 曲がった緑色の矢印はスキップ接続です。 0.66
6 50μmSpeckles from 𝒑𝒑𝒕𝒕𝒕𝒕fiberRapidly decorrelatingspeckle s on cameraØ6.95μm(active area size)0.5mm(b)(a)⋅𝑇𝑇𝑔𝑔2𝑝𝑝,1𝑔𝑔2𝑝𝑝,2𝑔𝑔2𝑝𝑝Intensity fluctuationsAutocorr elationfrom qpixelsAveragedautoc orrelationΣ…𝑔𝑔2𝑝𝑝,𝑞𝑞⋅𝑇𝑇⋅𝑇𝑇𝐼𝐼𝑝𝑝,1𝐼𝐼𝑝𝑝,2…𝐼𝐼𝑝𝑝,𝑞𝑞t (µs)(c)(d)(e)𝜏𝜏(µs)𝜏𝜏(µs)……𝑝𝑝=1,2,..12𝐼𝐼𝑝𝑝,1𝐼𝐼𝑝𝑝,2…fiber2fiber1…𝐼𝐼𝑝𝑝,𝑞𝑞25625625630348348616 1224326448Error-back propagationTestingTr ainingInput curves y∈ℝ480010.5mm13.9mmOutp ut images x∈ℝ†48×64020040060011.11.21 .3Time-lag(μs)Fiber1Fiber2…Fiber122.5Hz frame rateEncoding:𝑓𝑓𝜃𝜃(⋅)Decoding:𝑔𝑔𝜃𝜃(⋅)min𝜃𝜃12�𝐱𝐱−𝐱𝐱22+𝛽𝛽𝐱𝐱1+𝛾𝛾𝐱𝐱tv, where �𝐱𝐱≔𝑔𝑔𝜃𝜃𝑓𝑓𝜃𝜃𝐲𝐲𝒚𝒚=𝑔𝑔21,…𝑔𝑔212 6 50μmSpeckles from 𝒑𝒑𝒕𝒕𝒕𝒕fiberRapidly decorrelatingspeckle s on cameraØ6.95μm(active area size)0.5mm(b)(a)⋅𝑇𝑇𝑔𝑔2𝑝𝑝,1𝑔𝑔2𝑝𝑝,2𝑔𝑔2𝑝𝑝Intensity fluctuationsAutocorr elationfrom qpixelsAveragedautoc orrelationΣ…𝑔𝑔2𝑝𝑝,𝑞𝑞⋅𝑇𝑇⋅𝑇𝑇𝐼𝐼𝑝𝑝,1𝐼𝐼𝑝𝑝,2…𝐼𝐼𝑝𝑝,𝑞𝑞t (µs)(c)(d)(e)𝜏𝜏(µs)𝜏𝜏(µs)……𝑝𝑝=1,2,..12𝐼𝐼𝑝𝑝,1𝐼𝐼𝑝𝑝,2…fiber2fiber1…𝐼𝐼𝑝𝑝,𝑞𝑞25625625630348348616 1224326448Error-back propagationTestingTr ainingInput curves y∈ℝ480010.5mm13.9mmOutp ut images x∈ℝ†48×64020040060011.11.21 .3Time-lag(μs)Fiber1Fiber2…Fiber122.5Hz frame rateEncoding:𝑓𝑓𝜃𝜃(⋅)Decoding:𝑔𝑔𝜃𝜃(⋅)min𝜃𝜃12�𝐱𝐱−𝐱𝐱22+𝛽𝛽𝐱𝐱1+𝛾𝛾𝐱𝐱tv, where �𝐱𝐱≔𝑔𝑔𝜃𝜃𝑓𝑓𝜃𝜃𝐲𝐲𝒚𝒚=𝑔𝑔21,…𝑔𝑔212 0.64
英語(論文から抽出)日本語訳スコア
2.3 Imaging with supervised learning 2.3 教師付き学習によるイメージング 0.63
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
For our first demonstration of PDCI, we use a physics-informed artificial neural network to reconstruct images and video of deep temporal dynamics from measured surface speckle intensity autocorrelation curves. PDCIの最初の実演では、物理インフォームドニューラルネットワークを用いて、計測面スペックル強度自己相関曲線からの深部時間ダイナミクスの画像と映像を再構成する。 0.77
As mentioned in sub-section 2.2, each intensity autocorrelation curve has 400 sampled time-lags (1.5µs sampling rate). セクション2.2で述べたように、各強度自己相関曲線は400のサンプルタイムラグ(1.5μsサンプリングレート)を有する。 0.60
There are 12 such curves, each computed from the associated SPAD pixels that measure scattered light from the PDCI probe’s 12 fiber detectors. PDCI探査機の12個のファイバー検出器から散乱した光を測定するSPADピクセルから計算された12の曲線がある。 0.83
A new set of such 12 curves is produced every frame integration time Tint (variable between 0.1s and 0.4s). そのような12の曲線の新しい集合は、フレーム積分時間ティント(0.1から0.4s)ごとに生成される。 0.70
Combining and vectorizing our system’s 12 autocorrelation curves gives the neural network input, x ∈ R4800. システムの12の自己相関曲線の組み合わせとベクトル化は、ニューラルネットワークの入力であるx ∈ R4800を与える。
訳抜け防止モード: システムの12の自己相関曲線の組み合わせとベクトル化 ニューラルネットワークの入力 , x ∈ r4800 を与える。
0.83
The output of the neural network is an image x ∈ R48×64, with an image pixel size of 220 × 220µm2. ニューラルネットワークの出力は、画像 x ∈ R48×64 であり、画像画素サイズは 220 × 220μm2 である。 0.83
This pixel size is a tunable parameter in our reconstruction model, which we select as smaller than the expected achievable resolution[16, 33]). このピクセルサイズは、我々の再構成モデルで調整可能なパラメータであり、期待できる解像度[16, 33]よりも小さいものを選択します。 0.79
Figure 4 depicts our image reconstruction network. 図4は、画像再構成ネットワークを描いています。 0.57
While prior works[38, 39, 40, 41, 42, 43] have used image-to-image translation networks to form images of fixed objects through scattering material, our reconstruction task here is quite different from these alternative networks and thus required us to develop a tailored network architecture. 従来の作業[38, 39, 40, 41, 42, 43]では, イメージ・ツー・イメージ・トランスフォーメーション・ネットワークを用いて, 散乱物質による固定オブジェクトのイメージ形成を行っているが, この再構築作業はこれらの代替ネットワークとは大きく異なり, カスタマイズされたネットワークアーキテクチャの開発が必要であった。
訳抜け防止モード: 以前の作品[38, 39, 40, 41, 42, 43 ]は画像-to-画像翻訳ネットワークを用いた。 物体の像を散乱させます ここでの再構築作業は これらの代替ネットワークとは そのため ネットワークアーキテクチャを 開発する必要がありました
0.87
First, the format of our network input is unique (multiple autocorrelations created from non-invasive measurement of second-order temporal statistics of scattered light). まず、ネットワーク入力の形式はユニークである(散乱光の2次時間統計の非侵襲的測定から生成される複数の自己相関)。 0.72
Second, the contrast mechanism of our network output is also different - a spatial map of dynamic variation described by speed of change per pixel. 第2に、我々のネットワーク出力のコントラスト機構も異なる - 画素ごとの変化速度によって記述される動的変動の空間マップである。 0.86
Our network mapping problem (multi-autocorrelati on inputs into spatial maps of temporal dynamics) is thus in some ways similar to domain transform problems. 我々のネットワークマッピング問題(時間力学の空間マップへの多重自己相関入力)は、ドメイン変換問題に類似している。 0.78
Therefore, our employed network design is most similar to that introduced by Zhu et.al.[55]. したがって,ネットワーク設計はZhuらによって導入されたものと最もよく似ている。 0.62
Overall, the network is composed of an encoder fθ(·) to compress the input into a low-dimensional manifold, and a decoder gθ(·) to retrieve the spatial map of temporal dynamics from the embedding. 全体として、ネットワークは、入力を低次元多様体に圧縮するエンコーダfθ(·)と、埋め込みから時間力学の空間マップを取得するデコーダgθ(·)からなる。 0.74
The encoder is composed of three fully-connected layers, with skip connections to allow the error to propagate more easily. エンコーダは3つの完全接続層で構成されており、スキップ接続によりエラーがより容易に伝播できる。 0.78
All fully-connected layers uses leaky-ReLU activation functions with a slope of 0.1, and the first three fully-connected layers have a dropout rate of 0.05. すべての完全接続層は、0.1の傾斜を有する漏れReLU活性化関数を使用し、最初の3つの完全接続層は0.05の降下率を持つ。 0.65
After the inputs are embedded into a low-dimensional manifold, the decoder maps the embedding into the 2D reconstruction of dynamics using five transposed convolution layers with stride 2 and padding 1. 入力が低次元多様体に埋め込まれた後、デコーダはストライド2とパディング1を含む5つの畳み込み層を用いてダイナミクスの2次元再構築に埋め込みをマッピングする。 0.76
The network is updated to solve the following problem: ネットワークは以下の問題を解決するために更新される。 0.77
where ˆxi := gθ(fθ(yi)) is the output of the network from ith set of measurements yi, and M is the total number of training pairs. ここで sxi := gθ(fθ(yi)) は、計測値 yi の ith 集合からのネットワークの出力であり、m はトレーニングペアの総数である。 0.76
is the data-fidelity term that train the network to find prediction that matches the ground truth, and データ忠実さという用語は、ネットワークをトレーニングして、地上の真実と一致する予測を見つけます。 0.67
(6) The (cid:96)1 norm is used to promote sparsity of the reconstruction, and TV(·) is the isotropic total variation penalty that makes the reconstruction piecewise constant. (6) (cid:96)1ノルムは復元のスパース性を促進するために使われ、tv(·) は再構築を部分的に一定にする等方的全変動のペナルティである。 0.73
These regularizations have been successfully applied to improve diffuse optics imaging reconstructions[56, 57]. これらの正規化は拡散光学画像再構成の改善に成功している[56, 57]。 0.80
λ and γ are hyperparameters empirically chosen to be 0.02 and 0.1, respectively, and fixed for all the experiments. λ と γ はそれぞれ 0.02 と 0.1 として経験的に選択され、全ての実験で固定される。 0.70
R(ˆx) = λ(cid:107)ˆx(cid:107)1 + γTV(ˆx). R(x) = λ(cid:107) = x(cid:107)1 + γTV(shx)。 0.81
We validated our learning-based image reconstruction method with three unique experiments that each utilized a unique training data set. 学習に基づく画像再構成法を3つのユニークな実験で検証し,それぞれに独自のトレーニングデータセットを用いた。 0.74
First, since detecting deep-tissue blood flow is a primary aim of PDCI system development, we studied the ability of our network to image vessel-like structures using 1428 vasculature patterns extracted from photoacoustic images[58] (1190 for training, 238 for testing) and rescaled to an appropriate size(10.4 × 13.9mm2). まず, 深部血流の検出はpdciシステム開発の主要な目的であるため, 光音響画像[58] (1190, 試験238) から抽出された1428の血管パターンを用いて血管状構造を画像化し, 適切なサイズ(10.4×13.9mm2) にリスケールした。 0.86
We also developed a standard inverse diffusion model-based reconstruction method (detailed in supplement Section 3) for comparison purposes. また,比較目的で標準逆拡散モデルに基づく再構成法(補足部3)を開発した。 0.83
Second, we tested the generalizability of PDCI by training the network using objects drawn from one type of dataset, and testing the network with objects drawn from a second distinct dataset type (i.e., a different distribution). 第2に、あるタイプのデータセットから引き出されたオブジェクトを用いてネットワークをトレーニングし、第2の異なるデータセットタイプ(すなわち、異なる分布)から引き出されたオブジェクトでネットワークをテストすることによって、PDCIの一般化可能性をテストする。 0.71
For this generalizability experiment, we selected 1280 hand-written letters from the EMNIST dataset for algorithm training, and then used 128 digits from the MNIST dataset during algorithm testing to assess reconstruction accuracy. この一般化性試験では,EMNISTデータセットから手書き文字1280文字を選択し,MNISTデータセットから128桁を用いて復元精度を評価した。
訳抜け防止モード: 本実験では,アルゴリズム学習のためのEMNISTデータセットから手書き文字1280文字を選択した。 そしてアルゴリズムテスト中にMNISTデータセットから128桁を使いました 再建の精度を評価するためです
0.77
128 different letters from the EMNIST dataset are also used as a comparison. EMNISTデータセットからの128の異なる文字も比較として使用される。 0.80
The dynamic scattering patterns vary at 5kHz for the two experiments described above. 上記の2つの実験では、動的散乱パターンは5kHzで変化する。 0.73
Finally, we explored the potential of our method to jointly image both temporal and spatially varying dynamic potentials in a third experiment, by training and testing the network on two circular objects with different sizes and fluctuating at unique speeds(5kHz and 10kHz). 最後に,異なる大きさの2つの円形物体上でネットワークを訓練・テストし,一意の速度(5kHz,10kHz)で変動させることにより,時間的および空間的に変化する動的ポテンシャルを共同で画像化する手法の可能性を検討した。 0.76
864 and 108 patterns are used for training and testing, respectively. 864パターンと108パターンは、それぞれトレーニングとテストに使用される。 0.84
The networks for all tasks used Xavier initialization[59] and trained for 2000 epochs using the Adam optimizer[60] with a 8 × 10−4 learning rate and 256 batch size. すべてのタスクのネットワークは xavier initialization[59] を使用して,8×10−4 の学習レートと256バッチサイズを持つ adam optimizer[60] を使用して,2000エポックのトレーニングを行った。 0.74
3 Results Figure 6(a) shows a few representative raw SPAD array measurements (1.5µs exposure time). 3結果 図6(a)は、いくつかの代表的な生SPADアレイ測定(1.5μs露光時間)を示している。 0.70
12 circular spots in the raw frame are roughly discernible. 原枠の12の円形の斑点が大まかに識別できる。 0.59
Each spot contains photon count statistics of scattered light collected from one of 12 different locations on the tissue phantom surface and delivered to the array via MMF. 各スポットは、組織ファントム表面の12の異なる場所の1つから収集された散乱光の光子数統計値を含み、mmfを介してアレイに配送される。 0.63
Figure 6(b) plots the 図6(b)がプロットします 0.88
7 M(cid:88) 7 m(cid:88) 0.81
i=1 min θ (cid:16)D(xi, ˆxi) + R(ˆxi) i=1 ミン θ (cid:16)D(xi, sxi) + R(sxi) 0.72
(cid:17) D(ˆx) = (cid:17) D(x) = 0.79
(cid:107)ˆxi − xi(cid:107)2 (cid:107) xi − xi(cid:107)2 0.81
2 1 2 (4) (5) 2 1 2 (4) (5) 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 6: PDCI Measurements and reconstructions of phantom vasculature patterns located 5mm beneath a tissue-like decorrelating turbid volume. 図6: PDCI は, 5mm に分布するファントム血管パターンの測定と再構築を行った。 0.77
(a) Recorded raw SPAD array speckle intensity (colorbar: photons detected per pixel). (a)生SPADアレイスペックル強度の記録(カラーバー:画素毎に検出された光子)。 0.72
(b) Processed intensity auto-correlations using Tint = 0.4s where x-axis is time-lag τ. b) Tint = 0.4s を用いたプロセス強度自動相関 x軸は時間ラグτである。 0.69
Each plot labeled with ground truth of dynamic scattering image on the top-right, with zoom-ins showing curve regions most sensitive to spatially varying decorrelation. 各プロットは上右の動的散乱画像の基底真理をラベル付けし、ズームインは空間的に変化するデコレーションに最も敏感な曲線領域を示す。 0.77
(c) Ground truth dynamic scattering object 5 mm beneath tissue phantom with PDCI reconstructions using a model-based method (for comparison) and proposed learning-based method. (c) モデルベース法と学習法を用いたPDCI再構成による組織ファントム下5mmの地中真理ダイナミック散乱物体について検討した。 0.83
All figures in (c) share same color wheel(dynamic scatter fluctuation rate), scale bar, and x-y coordinates c)内のすべての図は、同じカラーホイール(動的散乱変動率)、スケールバー、x-y座標を共有する 0.80
intensity autocorrelation curves for each of the 12 unique SPAD array regions (i.e., each unique location on the tissue phantom surface). 強度自己相関曲線は、12個のSPAD配列領域(つまり、組織ファントム表面上の各特異な位置)のそれぞれに対する。 0.73
These curves are averages computed over space (all SPAD measurements per fiber) and time (a frame integration time here of 0.4s), leading here to a 2.5Hz frame rate. これらの曲線は空間(繊維毎のSPAD測定値)と時間(ここでのフレーム積分時間は0.4秒)で計算され、2.5Hzのフレームレートとなる。
訳抜け防止モード: これらの曲線は空間平均(繊維毎のSPAD測定)と時間平均(フレーム積分時間は0.4秒)である。 2.5Hzのフレームレートになります
0.89
The dynamic scattering patterns used to generate each set of auto-correlation curves are labeled on the upper right corner of each plot, and the regions most sensitive to the perturbations are enlarged. 各プロットの右上隅に、各集合の自己相関曲線を生成するために使用される動的散乱パターンをラベル付けし、摂動に最も敏感な領域を拡大する。 0.79
The first row of Fig 6(c) displays several examples of dynamic patterns from the vasculature dataset produced in our phantom setup beneath 5 mm of turbid decorrelating media. In the first row of Fig 6(c) shows several examples of dynamic pattern from the vasculature dataset produced in our phantom setup under 5 mm of turbid decorrelating media。 0.85
The second and third rows show PDCI reconstructions for these patterns using our proposed learning-based method and a regularized model-based reconstruction method, for comparison. 第2行と第3行は,提案手法と正規化モデルに基づく再構成手法を用いて,これらのパターンに対するpdci再構成を示す。 0.71
Details regarding the model-based reconstruction method can be found in Supplementary Section 3. モデルに基づく再構築手法の詳細は補足第3節に記載されている。 0.69
Due to the ill-posed nature of the inverse problem and model-experiment mismatch, model-based reconstruction results are less spatially informative compared to our proposed learning-based method, even when strong structural image priors are used. 逆問題やモデル実験ミスマッチの悪質さから, モデルに基づく再構成の結果は, 強い構造画像を用いた場合であっても, 提案した学習手法に比べて空間的情報に乏しい。 0.81
We observe some marginal artifacts in reconstructions using the proposed learning-based method, where the reconstructed edge values are typically lower than the ground-truth, as the high frequency on the edge is harder to reconstruct. 提案手法を用いて,提案手法を用いて,復元されたエッジの周波数が復元しにくいため,再建されたエッジの値は通常,接地構造よりも低い範囲で復元を行う。 0.75
While Fig 7(a) shows the dynamic scattering potential reconstructions for unseen objects drawn from a distribution that matches the training dataset, Fig 7(b) shows dynamic scattering reconstructions for unseen objects drawn from a different distribution as compared to the training dataset. 図7(a)はトレーニングデータセットと一致する分布から引き出された未確認物体に対する動的散乱ポテンシャル再構成を示すが、図7(b)はトレーニングデータセットと比較して異なる分布から引き出された未確認物体に対する動的散乱ポテンシャル再構成を示す。 0.80
These results suggest that the trained network has the generalizability to predict unseen dynamic scattering objects that have limited correlation with expectation. これらの結果から,トレーニングされたネットワークは,期待値との相関が限定された未知の動的散乱物体を予測できる可能性が示唆された。
訳抜け防止モード: これらの結果は 訓練されたネットワークは 予測との相関が限定された 未知の動的散乱物体を 予測できる
0.80
At the same time, we also observe that the reconstructions for the objects drawn from a different distribution are of less sharp than reconstructions for objects drawn from the same distribution as the training set, even though the average structural similarity index measure(SSIM)[61] values between the two testing datasets are comparable, as shown in Fig 8. 同時に、2つのテストデータセット間の平均的構造類似度指数測定(SSIM)[61]値は、図8に示すように、異なる分布から引き出されたオブジェクトの再構成がトレーニングセットと同じ分布から引き出されたオブジェクトの再構成よりもシャープであることも観察した。 0.78
Next, we tested the ability of PDCI to resolve decorrelation speed maps that vary as a function of space and at different phantom tissue depths. 次に,空間の関数と異なるファントム組織深度で異なるデコレーション速度マップを解くPDCIの能力を検証した。 0.66
PDCI reconstructions for two variable-speed perturbations under both 5mm and 8mm of turbid medium are in fig.7(c). 5mmおよび8mmの乱流媒体の下での2つの可変速摂動に対するPDCI再構成は、図7(c)にある。 0.64
First, we observe that the proposed method can spatially resolve features while still maintaining an accurate measure of their unique decorrelation speeds. まず,提案手法は特徴を空間的に解決できるが,その特徴的デコレーション速度の正確な測定は維持できる。 0.80
When structures with different decorrelation 異なる相関を持つ構造が 0.85
8 2.5Hz imaging frame rateGround truthModel-basedLear ning-based5k05mmxy(c )1.5μs SPAD array sampling rateRaw speckledata(a)080.5m m020040060011.11.21. 3020040060011.11.21. 3020040060011.11.21. 3020040060011.11.21. 32.5Hz autocorrelation frame rateIntensity auto-correlationμsμsμsμsa.u.a.u.a.u.a.u. 8 2.5Hz画像フレームレート Ground truth-basedLearning- based5k05mmxy(c)1.5μs SPAD array sample rateRaw speckledata(a)080.5m m020040060011.11.21. 3020040060011.11.21. 3020040060011.11.21. 3020040060011.11.21. 32.5Hz autocorrelation frame rateIntensity auto-correlationμsμsμsμsa.u.a.u.a.u.u.u.u.u .) 0.56
(b) (b) 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 7: PDCI reconstructions of spatiotemporal dynamics for various patterns and decorrelation speeds hidden beneath 5mm-8mm thick turbid volume. 図7:pdciによる様々なパターンの時空間ダイナミクスの再構成、5mm-8mm厚のタービッドボリュームの下に隠れた非相関速度 0.64
(a) Results of letter patterns, sampled from a distribution that matches training data distribution. (a)トレーニングデータ分布と一致する分布から採取した文字パターンの結果。 0.78
(b) Reconstructed of dynamic scattering patterns (numbers) drawn from a different distribution as compared to training data distribution. (b)異なる分布から引き出された動的散乱パターン(数)を訓練データ分布と比較して再構成した。 0.90
(c) Reconstructions of objects at varying dynamic scattering rate hidden beneath 5mm and 8mm-thick turbid volume. (c)5mm,8mmのタービッド体積に隠れた動的散乱速度の異なる物体の再構成 0.81
(a)-(b) share the same colorbar(dynamic scatter fluctuation rate), scale bar. (a)-(b)は、同じカラーバー(ダイナミック散乱変動率)、スケールバーを共有する。 0.77
(a)-(c) share the same x-y coordinate. (a)-(c) は同じ x-y 座標を共有する。 0.85
speeds begin to spatially overlap, the associated reconstructed speed values close to the overlap boundary are either lifted or lowered towards that of the neighboring structure. 速度は空間的に重なり始め、重なり合う境界に近い関連する再構成された速度値は、隣り合う構造の速度に対して昇降または下降される。 0.72
This is expected, as the detected light travelling through the "banana-shaped" light path contains information integrated over a finite-sized sensitivity region that will effectively limit the spatial resolution of the associated speed map reconstruction. これは、「バナナ型」光路を通過する検出された光は、関連する速度マップ再構成の空間分解能を効果的に制限する有限サイズの感度領域に統合された情報を含んでいるため、期待されている。 0.64
Moreover, we also observed that PDCI reconstructions of dynamics hidden beneath a thicker 8mm scattering medium are less accurate than those for dynamics beneath a 5mm scattering medium. また, より厚い8mm散乱媒質の下に隠れたダイナミックスのPDCI再構成は, 5mm散乱媒質のダイナミックスよりも精度が低いことも確認した。 0.75
Speckle fluctuations sampled by our current configuration on the phantom tissue surface are less sensitive to decorrelation events occurring within deeper region. ファントム組織表面の現在の構成でサンプリングされたスペックル変動は,深部領域で発生した脱相関事象に対する感受性が低下する。 0.64
Creating a PDCI probe with larger source-detector separations can help address this challenge, as detailed in the discussion section. 議論のセクションで詳述されているように、ソースと検出器の分離を大きくしたPDCIプローブの作成は、この問題に対処するのに役立ちます。
訳抜け防止モード: より大きなソース-検出器分離を持つPDCIプローブの作成 議論のセクションで詳しく述べています
0.66
Finally, we quantitatively assessed experimental PDCI performance as a function of several key parameters of interest using the structural similarity index measure(SSIM) metric[61]. 最後に,構造的類似度指標(ssim)メトリック[61]を用いて実験pdci性能をいくつかの重要パラメータの関数として定量的に評価した。 0.79
Fig 8 plots average SSIM as a function of frame integration time Tint and as a function of number of surface detectors P for all datasets described in Section 2. 図8は、フレーム統合時間Tintの関数として平均SSIMをプロットし、セクション2で記述された全てのデータセットに対する表面検出器Pの関数としてプロットする。 0.72
Fig 8(a) results use all 12 unique phantom surface locations for its reconstructions, Fig 8(b) results are achieved with a 0.4s frame integration time. 図8(a)の結果はその再構成に12のファントム表面のすべての位置を使用し、図8(b)の結果は0.4sフレーム積分時間で達成される。 0.74
From these plots, it is clear that a longer frame integration time improves reconstruction performance but will lead to a proportionally decreased PDCI frame rate. これらのプロットから,より長いフレーム統合時間で復元性能は向上するが,PDCIフレームレートが低下することが明らかとなった。 0.83
In addition, collecting speckle dynamics from more surface locations can significantly improve the reconstruction results, as expected. さらに,より表面的な位置からスペックルダイナミクスを収集することで,期待どおりに復元結果が大幅に向上する。 0.68
This is not only because the imaging (photon-sensitive) region of the 12-fiber system is larger than the fewer-fiber ones, but also the overlap between banana-shaped photon paths from adjacent fiber detectors provides more robustness to the noise, which can be visualized in Supplement Fig S2. これは12ファイバー系の撮像領域(光線感応性)が低ファイバー領域よりも大きいことだけでなく、隣接するファイバー検出器からのバナナ型の光子経路の重なりがノイズに対してより堅牢性をもたらし、補足fig s2で可視化できるためである。 0.77
9 yx4mmLearning-basedG roundtruthUnseenobje cts from the samedistribution(a)G roundtruthLearning-b asedUnseenobjects from differentdistributio n(b)10k5k0kLearning- basedGroundtruthMult i-speed reconstruction4mm5mm thick medium(c)8mm thick medium5k0k5k0k4mm 9 yx4mmLearning-basedG roundtruthUnseenobje cts from the samedistribution(a)G roundtruthLearning-b asedUnseenobjects from differentdistributio n(b)10k5k0kLearning- basedGroundtruthMult i-speed reconstruction4mm5mm thick medium(c)8mm thick medium5k0k0k4mm 0.68
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 8: (a) Plots of average SSIM between ground-truth and reconstructed speed maps as a function of frame integration time Tint for various tested datasets. 図8: (a) 様々なテストデータセットのフレーム統合時間ティント関数として、地上と再構成された速度マップ間の平均ssimのプロット。 0.82
(b) Plots of average SSIM between ground-truth and reconstructed speed maps as a function of number of detection fibers used for image formation. b)画像形成に使用される検出ファイバの数を関数として,地上構造と再建された速度マップ間の平均SSIMのプロット 0.83
(a) and (b) share the same legend listed at the bottom of the figure. (a) と (b) は、図の底にある同じ伝説を共有している。 0.77
vasculature, letter, and digit refer to speed map datasets detailed in Sec. vasculature, letter, digit は Sec で詳述されたスピードマップデータセットを指す。 0.80
22.3. circles and circles 8mm are variable-speed circular objects hidden beneath 5mm and 8mm-thick turbid volume, respectively. 22.3. 円と円 8mm は、それぞれ5mm と 8mm のタービッド体積の下に隠れた可変速の円形物体である。 0.56
4 Discussion In summary, we have developed a new parallelized speckle sensing method that can spatially resolve maps of decorrelation dynamics that occur beneath multiple millimeters of tissue-like scattering media. 4 討論 要約すると,複数の組織状散乱媒質の下にある非相関ダイナミクスの地図を空間的に解決できる並列化スペックルセンシング法を開発した。 0.70
Our approach utilizes DCS measurement principles to sample speckle fluctuations from different locations along a scattering medium’s surface at high speed. 提案手法では,DCS測定の原理を用いて,散乱媒質表面上の異なる位置から高速にスペックル変動をサンプリングする。 0.80
Unlike prior work, our system records all such measurements in parallel to reconstruct speed maps at video rates (2.5 - 10 Hz), and uses a novel machine learning approach for this reconstruction task that significantly outperforms standard model-based solvers. 従来と異なり、ビデオレート(2.5-10Hz)で高速マップを再構成するために、これらの測定を並列に記録し、この再構成タスクに新しい機械学習アプローチを用いて、標準モデルに基づく解法よりも大幅に優れている。 0.61
While we demonstrated that PDCI can rapidly image dynamic events occurring under a decorrelating tissue phantom, several potential improvements can be made to ensure effective translation into in vivo use. pdciは組織ファントムで発生した動的事象を迅速に画像化できることを実証したが,生体内への効果的な翻訳を実現するためにいくつかの改善が期待できる。 0.52
First, as shown in the raw speckle data from the SPAD array, the fiber bundle we use was not optimized to maximize the speckle detection efficiency - our fiber bundle array did not map surface speckle to all SPADs within the array. まず、SPAD配列の生スペックルデータに示すように、我々が使用しているファイバーバンドルはスペックル検出効率を最大化するために最適化されておらず、我々のファイバーバンドルアレイは配列内のすべてのSPADに表面スペックルをマッピングしなかった。 0.72
Future work will endeavor to utilize a custom-designed fiber bundle that provides better array coverage. 将来の作業は、より優れた配列カバレッジを提供するカスタムデザインのfiberバンドルを利用することに尽力する。
訳抜け防止モード: 今後の取り組み より優れた配列カバレッジを提供する、カスタムデザインのファイバーバンドルを利用する。
0.62
We note that detection efficiency was further reduced in our phantom setup by the cover glass surfaces on both sides of the cuvette holding the liquid tissue phantom, both via reflection and by enforcing a finite standoff distance from the phantom for the fiber probe, which decreased light collection efficiency. また, 液体組織ファントムを保持するカベットの両側のカバーガラス表面は, 反射により検出効率が低下し, ファイバープローブのファントムから有限のスタンドオフ距離が増大し, 光集光効率が低下した。
訳抜け防止モード: また, 液体組織ファントムを保持するキューベットの両側のカバーガラス表面により, ファントムのセットアップにおいて検出効率はさらに低下した。 反射と反射の両方を通して ファイバプローブのファントムから有限のスタンドオフ距離を強制すると、集光効率が低下する。
0.76
This can be resolved in the future using a more suitable material [62], which we expect to further improve the sensitivity of our PDCI system. 将来的には, PDCIシステムの感度の向上が期待できる, より適切な材料 [62] を用いて, この問題を解決できる。 0.82
In addition, we used a DMD in this work to generate artificial deep-tissue dynamics because it provided an easily reconfigurable means to quantitatively assess performance for a variety of decorrelating structures. さらに,本研究ではDMDを用いて,様々な非相関構造の性能を定量的に評価する,容易に再構成可能な手段を提供するため,人工的なDeep-tissue dynamicsを生成する。 0.70
The use of a DMD restricted the total lateral dimension of the phantom tissue and hidden structure that we were able to probe, which additionally prevented us from being able to investigate larger source-detector separations that are well-known to improve detection accuracy for deeper dynamics. DMDの使用はファントム組織の全側方寸法と隠れた構造を制限し、さらに、より深いダイナミクスの検出精度を向上させるためによく知られたソースと検出器の分離を調査できないようにしました。 0.76
Based upon the findings in this work, a tissue phantom with embedded vessel phantoms containing flowing liquid can be designed to provide additional quantitative verification of PDCI imaging performance at greater depths. 本研究の知見に基づき, より深い深さでpdciイメージング性能を定量的に検証するために, 流動液体を含む埋め込み容器ファントムを備えた組織ファントムを設計できる。 0.80
Recently developed time-of-flight[63, 64] methods also enhance signal from greater depths and can be considered as additional avenues through which PDCI can be improved. 近年, 飛行時間[63, 64]法では, 深度からの信号も向上し, PDCIを改善するための追加経路として考えられる。 0.83
In the future, we also plan to study how our system can jointly image blood flow at variable oxygenation levels. 将来的には,循環を可変酸素化レベルで共同撮影する方法についても検討する予定である。 0.70
By adding an isosbestic wavelength to the current system, we can potentially spatially resolve blood flow speed as a function of oxygen level. 電流系に等吸収波長を加えることで、酸素濃度の関数として血流速度を空間的に解決することができる。 0.82
On the computational side, one of the problems of using classic supervised deep learning methods as a maximum likelihood estimator is reconstruction reliability concern. 計算面では、古典的な教師付き深層学習手法を最大確率推定器として使用する際の問題の一つに、再構成信頼性の懸念がある。
訳抜け防止モード: 計算面では 問題の一つは 古典的教師付き深層学習法を最大確率推定器として用いる リコンストラクションの信頼性に懸念があります
0.76
One expensive solution is to expand the training set to include large amount of objects. 高価なソリューションのひとつは、大量のオブジェクトを含むトレーニングセットを拡張することです。 0.78
In this data-rich scenario, meta-learning approaches can also be considered, where part of the network weights are allowed to be changed depending on different imaging setups[65]. このデータ豊富なシナリオでは、ネットワークの重み付けの一部を異なる撮像設定に応じて変更できるメタラーニングアプローチも検討できる[65]。 0.68
In a resource limited situation, however, an alternative strategy might assess the reliability by predicting the uncertainty along with the reconstruction using approximate deep Bayesian inference[66]. しかし,資源制限状況においては,ほぼ深いベイズ推定を用いた復元とともに不確実性を予測し,信頼性を評価する方法が考えられる[66]。 0.79
These additional investigations will aid with the eventual translation of PDCI into a practical and reliable tool for recording video of deep-tissue blood flow in in vivo subjects in the future. これらの追加調査は、PDCIが将来、生体内での深部血流を記録するための実用的で信頼性の高いツールに最終的に翻訳されるのに役立つだろう。 0.62
Funding Research reported in this publication was supported by the National Institute of Neurological Disorders and Stroke of the National Institutes of Health under award number RF1NS113287, as well as the Duke-Coulter Translational 資金 この論文で報告された研究は、national institute of neurological disorder and stroke of the national institutes of healthのrf1ns113287と duke-coulter translationalによって支援された。 0.76
10 Frame integration time 𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖(s)SSIM34612Number of fiber detectorsSSIM vs. frame integration timeSSIM vs. number of fibers(a)(b)SSIMVasc ulatureLetterDigitCi rclesCircles 8mm 10 繊維検出器のフレーム積分時間TTiiiiii(s)SSIM34612 NumberSSIM vs. フレーム積分時間SSIM vs. 繊維数(a)(b)SSIMVasculatur eLetterDigitCircles8 mm 0.80
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Partnership. The authors would also like to thank Kernel Inc. for their generous support. パートナーシップ 著者たちも、Kernel Inc.の寛大なサポートに感謝したい。 0.51
W.L. acknowledges the support from the China Scholarship Council. W.L. 中国奨学金委員会の支援を受ける。 0.66
R.H. acknowledges support from a Hartwell Foundation Individual Biomedical Researcher Award. R.H.はハートウェル財団個人生物医学研究者賞からの支持を認めている。 0.57
Acknowledgements The authors would like to express our great appreciation to Dr. Haowen Ruan for editing and inspirational discussion. 覚書 著者らはHaowen Ruan博士に、編集とインスピレーションのある議論に対する大きな感謝の意を表したい。 0.58
Disclosures S.X. and R.H. have submitted a patent application for this work, assigned to Duke University 開示 S.X。 r.h.はこの研究の特許出願をデューク大学に提出しました 0.69
References [1] Vasilis Ntziachristos. 参考文献 [1]vasilis ntziachristos。 0.60
Going deeper than microscopy: the optical imaging frontier in biology. 顕微鏡より深く進む:生物学における光学イメージングフロンティア。 0.79
Nature methods, 7(8):603–614, 2010. 自然の方法。 7(8):603–614, 2010. 0.79
[2] Nicholas G Horton, Ke Wang, Demirhan Kobat, Catharine G Clark, Frank W Wise, Chris B Schaffer, and Chris Xu. Nicholas G Horton, Ke Wang, Demirhan Kobat, Catharine G Clark, Frank W Wise, Chris B Schaffer, Chris Xu
訳抜け防止モード: [2 ]Nicholas G Horton, Ke Wang, Demirhan Kobat, Catharine G Clark, Frank W Wise, Chris B Schaffer とChris Xu。
0.78
In vivo three-photon microscopy of subcortical structures within an intact mouse brain. マウス脳内皮質下構造の生体内3光子顕微鏡による観察 0.72
Nature photonics, 7(3):205–209, 2013. 自然光学 7(3):205–209, 2013 0.75
[3] Roarke Horstmeyer, Haowen Ruan, and Changhuei Yang. [3]Roarke Horstmeyer、Haowen Ruan、Changhuei Yang。 0.58
Guidestar-assisted wavefront-shaping methods for ガイドスター支援波面整形法 0.61
focusing light into biological tissue. 光を生体組織に当てはめます 0.64
Nature photonics, 9(9):563–571, 2015. 自然光学 9(9):563–571, 2015 0.75
[4] Ashley Lyons, Francesco Tonolini, Alessandro Boccolini, Audrey Repetti, Robert Henderson, Yves Wiaux, and Daniele Faccio. Ashley Lyons氏、Francesco Tonolini氏、Alessandro Boccolini氏、Audrey Repetti氏、Robert Henderson氏、Yves Wiaux氏、Daniele Faccio氏。 0.73
Computational time-of-flight diffuse optical tomography. 飛行時間拡散光トモグラフィ 0.46
Nature Photonics, 13(8):575–579, 2019. Nature Photonics, 13(8):575-579, 2019。 0.89
[5] Yongyi Zhao, Ankit Raghuram, Hyun Kim, Andreas Hielscher, Jacob T Robinson, and Ashok Narayanan Veeraraghavan. Yongyi Zhao, Ankit Raghuram, Hyun Kim, Andreas Hielscher, Jacob T Robinson, Ashok Narayanan Veeraraghavan 0.60
High resolution, deep imaging using confocal time-of-flight diffuse optical tomography. 共焦点拡散光トモグラフィによる高分解能深部イメージング 0.59
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021。 0.81
[6] Lihong V Wang and Song Hu. [6]Lihong V WangとSong Hu。 0.79
Photoacoustic tomography: in vivo imaging from organelles to organs. 光音響断層撮影:臓器から臓器への生体内イメージング。 0.75
science, 335(6075):1458–1462, 2012. 科学だ 335(6075):1458–1462, 2012. 0.75
[7] Mooseok Jang, Haowen Ruan, Ivo M Vellekoop, Benjamin Judkewitz, Euiheon Chung, and Changhuei Yang. [7]Mooseok Jang、Haowen Ruan、Ivo M Vellekoop、Benjamin Judkewitz、Euiheon Chung、Changhuei Yang。 0.70
Relation between speckle decorrelation and optical phase conjugation (opc)-based turbidity suppression through dynamic scattering media: a study on in vivo mouse skin. 動的散乱媒体によるスペックル脱相関と光位相共役(opc)による濁度抑制の関係:in vivoマウス皮膚を用いた検討 0.84
Biomedical optics express, 6(1):72–85, 2015. 生体医用光学式6(1):72-85, 2015 0.79
[8] Daifa Wang, Edward Haojiang Zhou, Joshua Brake, Haowen Ruan, Mooseok Jang, and Changhuei Yang. [8]大ファ王、エドワード・ホージアン周、ジョシュア・ブレーク、ホーエン・ルーアン、ムーソーク・ジャン、チャンヒューイー・ヤン。
訳抜け防止モード: [8]大ファ・ワン、エドワード・ホージアン・周、ジョシュア・ブレーク、 Haowen Ruan, Mooseok Jang, and Changhuei Yang
0.69
Focusing through dynamic tissue with millisecond digital optical phase conjugation. 焦点 ミリ秒のデジタル光位相共役を持つ動的組織を通して 0.73
Optica, 2(8):728–735, 2015. Optica, 2(8):728-735, 2015 0.91
[9] Omer Tzang, Eyal Niv, Sakshi Singh, Simon Labouesse, Greg Myatt, and Rafael Piestun. Omer Tzang氏、Eyal Niv氏、Sakshi Singh氏、Simon Labouesse氏、Greg Myatt氏、Rafael Piestun氏。 0.62
Wavefront shaping in ウェーブフロントのシェーピング 0.63
complex media with a 350 khz modulator via a 1d-to-2d transform. 1d-to-2d変換による350khz変調器付き複合媒体 0.66
Nature Photonics, 13(11):788–793, 2019. Nature Photonics, 13(11):788–793, 2019。 0.90
[10] Haowen Ruan, Yan Liu, Jian Xu, Yujia Huang, and Changhuei Yang. [10]ホーエン・ルアン、ヤン・リュー、ジャン・チュ、ユジア・フアン、チャンヒューイ・ヤン。 0.50
Fluorescence imaging through dynamic scattering media with speckle-encoded ultrasound-modulated light correlation. スペックル符号化超音波変調光相関を用いた動的散乱媒質による蛍光イメージング 0.66
Nature Photonics, 14(8):511–516, 2020. Nature Photonics, 14(8):511–516, 2020。 0.90
[11] Alexander N Korolevich and Igor V Meglinsky. 9]Alexander N Korolevich氏とIgor V Meglinsky氏。 0.74
Experimental study of the potential use of diffusing wave spectroscopy to investigate the structural characteristics of blood under multiple scattering. 多重散乱下での血液の構造特性解明のための拡散波分光法の可能性に関する実験的研究 0.86
Bioelectrochemistry, 52(2):223–227, 2000. 生物電気化学、52(2):223-227, 2000。 0.67
[12] Andrew K Dunn, Hayrunnisa Bolay, Michael A Moskowitz, and David A Boas. 12]Andrew K Dunn、Hayrunnisa Bolay、Michael A Moskowitz、David A Boas。 0.69
Dynamic imaging of cerebral 脳のダイナミックイメージング 0.77
blood flow using laser speckle. レーザースペックルを用いた血流 0.67
Journal of Cerebral Blood Flow & Metabolism, 21(3):195–201, 2001. The Journal of Cerebral Blood Flow & Metabolism, 21(3):195–201, 2001 0.96
[13] Joseph P Culver, Turgut Durduran, Daisuke Furuya, Cecil Cheung, Joel H Greenberg, and AG Yodh. [13]Joseph P Culver, Turgut Durduran, Daisuke Furuya, Cecil Cheung, Joel H Greenberg, AG Yodh。 0.75
Diffuse optical tomography of cerebral blood flow, oxygenation, and metabolism in rat during focal ischemia. ラット局所虚血における脳血流,酸素,代謝のびまん性光トモグラフィー 0.56
Journal of cerebral blood flow & metabolism, 23(8):911–924, 2003. journal of brain blood flow & meta, 23(8):911-924, 2003)の略。 0.69
[14] Sally A Kim and Petra Schwille. Sally A Kim and Petra Schwille.[14] Sally A Kim and Petra Schwille. 0.69
Intracellular applications of fluorescence correlation spectroscopy: prospects for 蛍光相関分光法の細胞内応用:展望 0.80
neuroscience. Current opinion in neurobiology, 13(5):583–590, 2003. 神経科学 神経生物学の現状 13(5):583-590, 2003 0.72
[15] Ruikang K Wang, Steven L Jacques, Zhenhe Ma, Sawan Hurst, Stephen R Hanson, and Andras Gruber. Ruikang K Wang氏、Steven L Jacques氏、Zhenhe Ma氏、Sawan Hurst氏、Stephen R Hanson氏、Andras Gruber氏。 0.68
Three dimensional optical angiography. 三 三次元光学血管造影法。 0.57
Optics express, 15(7):4083–4097, 2007. オプティクス表現 15(7):4083–4097, 2007 0.75
[16] Turgut Durduran and Arjun G Yodh. 16]Turgut DurduranとArjun G Yodh。 0.51
Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral 非侵襲的微小血管大脳に対する拡散相関分光法 0.65
blood flow measurement. Neuroimage, 85:51–63, 2014. 血流測定。 画像: 85:51-63, 2014年。 0.53
11 11 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
[17] Erin M Buckley, Ashwin B Parthasarathy, P Ellen Grant, Arjun G Yodh, and Maria Angela Franceschini. [17]Erin M Buckley、Ashwin B Parthasarathy、P Ellen Grant、Arjun G Yodh、Maria Angela Franceschini。 0.73
Diffuse correlation spectroscopy for measurement of cerebral blood flow: future prospects. 脳血流計測のための拡散相関分光法の将来展望 0.69
Neurophotonics, 1(1):011009, 2014. ニューロフォトニクス, 1(1):011009, 2014 0.76
[18] David A Boas, LE Campbell, and Arjun G Yodh. [18]David A Boas、LE Campbell、Arjun G Yodh。 0.63
Scattering and imaging with diffusing temporal field correlations. 時間場相関の拡散による散乱とイメージング 0.72
Physical review letters, 75(9):1855, 1995. 物理書評、75(9):1855、1995年。 0.72
[19] Claudio Bruschini, Harald Homulle, Ivan Michel Antolovic, Samuel Burri, and Edoardo Charbon. Claudio Bruschini氏、Harald Homulle氏、Ivan Michel Antolovic氏、Samuel Burri氏、Edoardo Charbon氏。 0.62
Single-photon spad imagers in biophotonics: Review and outlook. 単光子 バイオフォトニクスにおけるspadイメージング : レビューと展望 0.65
arXiv preprint arXiv:1903.07351, 2019. arXiv preprint arXiv:1903.07351, 2019 0.81
[20] Kazuhiro Morimoto, Andrei Ardelean, Ming-Lo Wu, Arin Can Ulku, Ivan Michel Antolovic, Claudio Bruschini, and Edoardo Charbon. 20]森本和弘、アンドレイ・アルデレ、ミン・ロ・ウー、アリン・カン・ウルク、イヴァン・ミシェル・アントロビッチ、クラウディオ・ブルシーニ、エドアルド・シャルボン
訳抜け防止モード: [20 ]森本一弘、アンドレイ・アルデリアン、明-ローウー、 Arin Can Ulku, Ivan Michel Antolovic, Claudio Bruschini そしてEdoardo Charbon。
0.76
Megapixel time-gated spad image sensor for 2d and 3d imaging applications. 2次元および3次元イメージング応用のためのメガピクセル時差spad画像センサ 0.71
Optica, 7(4):346–354, 2020. Optica, 7(4):346–354, 2020。 0.87
[21] Canon successfully develops the world’s first 1-megapixel spad sensor. 21]キヤノンは世界初の1メガピクセルのspadセンサーを開発しました。 0.73
https://global.canon /en/technology/spad- https://global.canon /en/ Technology/spad 0.32
sensor-2021.html, accessed: 06.14.2021. Sensor-2021.html, accessed: 06.14.2021 0.55
[22] Vytautas Zickus, Ming Lo Wu, Kazuhiro Morimoto, Valentin Kapitany, Areeba Farima, Alex Turpin, Robert Insall, Jamie Whitelaw, Laura Machesky, Claudio Bruschini, et al Wide-field fluorescence lifetime imaging microscopy with a high-speed mega-pixel spad camera. Vytautas Zickus, Ming Lo Wu, Kazuhiro Morimoto, Valentin Kapitany, Areeba Farima, Alex Turpin, Robert Insall, Jamie Whitelaw, Laura Machesky, Claudio Bruschini, et al Wide-field fluorescence lifetime imaging microscopy with a high-speed mega-piel spad camera。 0.85
bioRxiv, 2020. BioRxiv、2020年。 0.86
[23] Mauro Buttafava, Federica Villa, Marco Castello, Giorgio Tortarolo, Enrico Conca, Mirko Sanzaro, Simonluca Piazza, Paolo Bianchini, Alberto Diaspro, Franco Zappa, et al Spad-based asynchronous-readout array detectors for image-scanning microscopy. Mauro Buttafava, Federica Villa, Marco Castello, Giorgio Tortarolo, Enrico Conca, Mirko Sanzaro, Simonluca Piazza, Paolo Bianchini, Alberto Diaspro, Franco Zappa, et al Spad-based asynchronous-readout array detectors for image-canning microscopy. 0.88
Optica, 7(7):755–765, 2020. Optica, 7(7):755-765, 2020。 0.87
[24] Eli Slenders, Marco Castello, Mauro Buttafava, Federica Villa, Alberto Tosi, Luca Lanzanò, Sami Valtteri Koho, and Giuseppe Vicidomini. [24]Eli Slenders, Marco Castello, Mauro Buttafava, Federica Villa, Alberto Tosi, Luca Lanzani, Sami Valtteri Koho, Giuseppe Vicidomini。 0.77
Confocal-based fluorescence fluctuation spectroscopy with a spad array detector. spadアレイ検出器を用いた共焦点型蛍光揺らぎ分光 0.70
Light: Science & Applications, 10(1):1–12, 2021. Light: Science & Applications, 10(1):1-12, 2021。 0.93
[25] Xi Yang, Pavan Chandra Konda, Shiqi Xu, Liheng Bian, and Roarke Horstmeyer. [25]Xi Yang, Pavan Chandra Konda, Shiqi Xu, Liheng Bian, Roarke Horstmeyer。 0.70
Quantized fourier ptychography Quantized Fourier ptychography 0.65
with binary images from spad cameras. spadカメラからのバイナリ画像です 0.56
Photonics Research, In Press, 2021. Photonics Research, In Press, 2021年。 0.88
[26] Istvan Gyongy, Sam W Hutchings, Abderrahim Halimi, Max Tyler, Susan Chan, Feng Zhu, Stephen McLaughlin, Robert K Henderson, and Jonathan Leach. Istvangyongy氏、Sam W Hutchings氏、Abderrahim Halimi氏、Max Tyler氏、Susan Chan氏、Feng Zhu氏、Stephen McLaughlin氏、Robert K Henderson氏、Jonathan Leach氏。 0.73
High-speed 3d sensing via hybrid-mode imaging and guided upsampling. ハイブリッドモードイメージングとガイドアップサンプリングによる高速3dセンシング 0.78
Optica, 7(10):1253–1260, 2020. Optica, 7(10):1253-1260, 2020。 0.80
[27] Genevieve Gariepy, Francesco Tonolini, Robert Henderson, Jonathan Leach, and Daniele Faccio. Genevieve Gariepy氏、Francesco Tonolini氏、Robert Henderson氏、Jonathan Leach氏、Daniele Faccio氏。 0.68
Detection and tracking of moving objects hidden from view. 検出・検出 視界から隠された移動物体の追跡 0.71
Nature Photonics, 10(1):23, 2016. Nature Photonics, 10(1):23, 2016 0.80
[28] Guy Satat, Barmak Heshmat, Dan Raviv, and Ramesh Raskar. [28]Guy Satat、Barmak Heshmat、Dan Raviv、Ramesh Raskar。 0.68
All photons imaging through volumetric scattering. 体積散乱による全光子イメージング 0.63
Scientific reports, 6(1):1–8, 2016. 2016年1月6日:1-8日。 0.49
[29] Chao Zhou, Guoqiang Yu, Daisuke Furuya, Joel H Greenberg, Arjun G Yodh, and Turgut Durduran. [29]チャオ・周、グーチャン・ユ、古屋大介、Joel H Greenberg、Arjun G Yodh、Turgut Durduran。 0.60
Diffuse optical correlation tomography of cerebral blood flow during cortical spreading depression in rat brain. ラット脳における皮質拡散抑制時の脳血流の拡散光学的相関トモグラフィー 0.73
Optics express, 14(3):1125–1144, 2006. オプティクス表現 14(3):1125–1144, 2006 0.78
[30] Songfeng Han, Michael D Hoffman, Ashley R Proctor, Joseph B Vella, Emmanuel A Mannoh, Nathaniel E Barber, Hyun Jin Kim, Ki Won Jung, Danielle SW Benoit, and Regine Choe. [30]Songfeng Han, Michael D Hoffman, Ashley R Proctor, Joseph B Vella, Emmanuel A Mannoh, Nathaniel E Barber, Hyun Jin Kim, Ki Won Jung, Danielle SW Benoit, Regine Choe。 0.80
Non-invasive monitoring of temporal and spatial blood flow during bone graft healing using diffuse correlation spectroscopy. 拡散相関分光法による骨移植術後の経時的および空間的血流の非侵襲的モニタリング 0.81
PLoS One, 10(12):e0143891, 2015. plos one, 10(12):e0143891, 2015年。 0.80
[31] Lian He, Yu Lin, Chong Huang, Daniel Irwin, Margaret M Szabunio, and Guoqiang Yu. [31]Lian He, Yu Lin, Chong Huang, Daniel Irwin, Margaret M Szabunio, Guoqiang Yu。 0.74
Noncontact diffuse correlation tomography of human breast tumor. 非接触拡散 ヒト乳癌の相関断層撮影 0.67
Journal of biomedical optics, 20(8):086003, 2015. journal of biomedical optics, 20(8)086003, 2015年。 0.83
[32] Johannes D Johansson, Davide Portaluppi, Mauro Buttafava, and Federica Villa. Johannes D Johansson, Davide Portaluppi, Mauro Buttafava, Federica Villa。 0.59
A multipixel diffuse correlation spectroscopy system based on a single photon avalanche diode array. 単一光子アバランシェダイオードアレイに基づく多画素拡散相関分光システム 0.50
Journal of biophotonics, 12(11):e201900091, 2019. journal of biophotonics, 12(11):e201900091, 2019。 0.83
[33] Wenhui Liu, Ruobing Qian, Shiqi Xu, Pavan Chandra Konda, Joakim Jönsson, Mark Harfouche, Dawid Borycki, Colin Cooke, Edouard Berrocal, Qionghai Dai, et al Fast and sensitive diffuse correlation spectroscopy with highly parallelized single photon detection. [33]Wenhui Liu, Ruobing Qian, Shiqi Xu, Pavan Chandra Konda, Joakim Jönsson, Mark Harfouche, Dawid Borycki, Colin Cooke, Edouard Berrocal, Qionghai Dai, et al Fast and sensitive diffuse correlation spectroscopy with highly parallelized single photon detection。 0.83
APL Photonics, 6(2):026106, 2021. APL Photonics, 6(2):026106, 2021。 0.88
[34] Edbert J Sie, Hui Chen, E-Fann Saung, Ryan Catoen, Tobias Tiecke, Mark A Chevillet, and Francesco Marsili. 534]Edbert J Sie、Hui Chen、E-Fann Saung、Ryan Catoen、Tobias Tiecke、Mark A Chevillet、Francesco Marsili。
訳抜け防止モード: [34 ]Edbert J Sie, Hui Chen, E- Fann Saung, Ryan Catoen、Tobias Tiecke、Mark A Chevillet、Francesco Marsili。
0.76
High-sensitivity multispeckle diffuse correlation spectroscopy. 高感度マルチスペックル拡散相関分光法 0.78
Neurophotonics, 7(3):035010, 2020. 神経写真学 7(3):035010, 2020。 0.81
[35] Wenjun Zhou, Oybek Kholiqov, Shau Poh Chong, and Vivek J Srinivasan. [35]Wenjun Zhou、Oybek Kholiqov、Shau Poh Chong、Vivek J Srinivasan。 0.65
Highly parallel, interferometric diffusing wave spectroscopy for monitoring cerebral blood flow dynamics. 高並列干渉計 脳血流動態をモニタリングする拡散波分光法。 0.71
Optica, 5(5):518–527, 2018. Optica, 5(5):518–527, 2018。 0.87
[36] Jian Xu, Ali K Jahromi, and Changhuei Yang. [36]Jian Xu、Ali K Jahromi、Changhuei Yang。 0.64
Diffusing wave spectroscopy: A unified treatment on temporal 回折波分光法:時間的処理の統一化 0.75
sampling and speckle ensemble methods. サンプリングとスペックル アンサンブル法 0.44
APL Photonics, 6(1):016105, 2021. APL Photonics, 6(1):016105, 2021。 0.87
[37] Ryoichi Horisaki, Ryosuke Takagi, and Jun Tanida. 〔37〕堀崎良一、高木良助、田田田純 0.48
Learning-based imaging through scattering media. 散乱媒体による学習ベースイメージング 0.80
Optics express, 24(13):13738–13743, 2016. 光学 express, 24(13):13738–13743, 2016 0.78
[38] Yunzhe Li, Yujia Xue, and Lei Tian. [38]ユンシェ・リー、ユジア・ジュウ、レイ・チャン 0.45
Deep speckle correlation: a deep learning approach toward scalable imaging deep speckle correlation: スケーラブルイメージングへのディープラーニングアプローチ 0.74
through scattering media. Optica, 5(10):1181–1190, 2018. 媒体を散乱させます Optica, 5(10):1181–1190, 2018。 0.74
[39] Shuai Li, Mo Deng, Justin Lee, Ayan Sinha, and George Barbastathis. [39]Shuai Li、Mo Deng、Justin Lee、Ayan Sinha、George Barbastathis。 0.69
Imaging through glass diffusers using ガラスディフューザによるイメージング 0.54
densely connected convolutional networks. 密結合した畳み込みネットワークです 0.67
Optica, 5(7):803–813, 2018. オプティカ, 5(7):803–813, 2018。 0.76
12 12 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
[40] Babak Rahmani, Damien Loterie, Georgia Konstantinou, Demetri Psaltis, and Christophe Moser. Babak Rahmani, Damien Loterie, Georgia Konstantinou, Demetri Psaltis, そしてChristophe Moser。 0.61
Multimode optical fiber transmission with a deep learning network. マルチモード 深層学習ネットワークを用いた光ファイバ伝送 0.73
Light: Science & Applications, 7(1):1–11, 2018. Light: Science & Applications, 7(1):1–11, 2018。 0.93
[41] Meng Lyu, Hao Wang, Guowei Li, Shanshan Zheng, and Guohai Situ. [41]Meng Lyu、Hao Wang、Guowei Li、Shanshan Zheng、Guohai Situ。 0.65
Learning-based lensless imaging through 学習型レンズレスイメージング 0.80
optically thick scattering media. 光学的に厚い散乱媒体 0.86
Advanced Photonics, 1(3):036002, 2019. Advanced Photonics, 1(3):036002, 2019。 0.87
[42] Yiwei Sun, Xiaoyan Wu, Yuanyi Zheng, Jianping Fan, and Guihua Zeng. [42]Yiwei Sun、Xiaoyan Wu、Yuanyi Zheng、Jianping Fan、Guihua Zeng。 0.65
Scalable non-invasive imaging through スケーラブルな非侵襲イメージング 0.78
dynamic scattering media at low photon flux. 低光子フラックスにおける動的散乱媒体 0.83
Optics and Lasers in Engineering, 144:106641, 2021. 工学における光学とレーザー - 144:106641, 2021年。 0.68
[43] Ya Gao, Wenyi Xu, Yiming Chen, Weiya Xie, and Qian Cheng. [43]ヤ・ガオ、ウィニ・チ、Yiming Chen、Weya Xie、Qian Cheng。 0.61
Deep learning-based photoacoustic imaging of 深層学習に基づく光音響イメージング 0.80
vascular network through thick porous media. 厚い多孔質媒質による血管網 0.73
arXiv preprint arXiv:2103.13964, 2021. arXiv preprint arXiv:2103.13964, 2021 0.81
[44] David A Boas, Sava Sakadži´c, Juliette J Selb, Parisa Farzam, Maria Angela Franceschini, and Stefan A Carp. 44]David A Boas, Sava Sakadži ́c, Juliette J Selb, Parisa Farzam, Maria Angela Franceschini, Stefan A Carp。 0.79
Establishing the diffuse correlation spectroscopy signal relationship with blood flow. 拡散相関分光信号と血流の関係の確立 0.64
Neurophotonics, 3(3):031412, 2016. 2016年、ニューロフォトニクス3(3):031412。 0.78
[45] Turgut Durduran, Regine Choe, Wesley B Baker, and Arjun G Yodh. [45]Turgut Durduran, Regine Choe, Wesley B Baker, Arjun G Yodh。 0.61
Diffuse optics for tissue monitoring and 組織モニタリングのための拡散光学 0.71
tomography. Reports on Progress in Physics, 73(7):076701, 2010. トモグラフィー 研究報告, 73(7)076701, 2010 0.41
[46] American National Standards Institute. 46] アメリカ国立標準研究所 0.61
American National Standard for safe use of lasers. American National Standard for safe use of lasers (英語) 0.89
Laser Institute of America, 2014. レーザー研究所 2014年、アメリカ。 0.80
[47] Michael S Patterson, Stefan Andersson-Engels, Brian C Wilson, and Ernest K Osei. Michael S Patterson氏、Stefan Andersson-Engels氏、Brian C Wilson氏、Ernest K Osei氏。 0.74
Absorption spectroscopy in tissue-simulating materials: a theoretical and experimental study of photon paths. 組織シミュレーション材料における吸収分光法:光子経路の理論および実験的研究 0.86
Applied optics, 34(1):22–30, 1995. 応用光学、34(1):22–30, 1995。 0.79
[48] Joakim Jönsson and Edouard Berrocal. [48]Joakim JönssonとEdouard Berrocal。 0.78
Multi-scattering software: part i: online accelerated monte carlo simulation マルチ散乱ソフトウェア:その1:オンライン・アクセラレーションモンテカルロシミュレーション 0.62
of light transport through scattering media. 散乱媒体を通した光輸送です 0.84
Optics Express, 28(25):37612–37638, 2020. Optics Express, 28(25):37612–37638, 2020 0.94
[49] Joakim D. Frantz, Jönsson and Edouard Berrocal. [49]Joakim D. Frantz、Jönsson、Edouard Berrocal。 0.81
Multi-scattering software: part ii: Experimental validation for マルチ散乱ソフトウェア:その2:実験による検証 0.78
the light intensity distribution. Optics Express, article under review, 2021. 光の強度分布です Optics Express, article under review, 2021。 0.78
[50] Joakim Jönsson. Joakim Jönsson (複数形 Joakim Jönssons) 0.70
Multi-Scattering: Computational light transport in turbid media. マルチ散乱: 乱流媒体における計算光輸送 0.79
PhD thesis, Lund University, ルンド大学博士号取得。 0.50
2021. [51] Wolfgang Mecklenbräuker and Franz Hlawatsch. 2021. 51]Wolfgang MecklenbräukerとFranz Hlawatsch。 0.73
The Wigner distribution: theory and applications in signal ウィグナー分布:理論と信号への応用 0.75
processing. Elsevier Science, 1997. 処理。 理学博士、1997年。 0.67
[52] Joseph W Goodman. ジョゼフ・W・グッドマン(Joseph W Goodman)。 0.58
Statistical optics. John Wiley & Sons, 2015. 統計光学。 ジョン・ワイリー&サンズ、2015年。 0.62
[53] P-A Lemieux and DJ Durian. [53]P-A LemieuxとDJ Durian。 0.91
correlation functions. JOSA A, 16(7):1651–1664, 1999. 相関関数。 JOSA A, 16(7):1651–1664, 1999 0.80
Investigating non-gaussian scattering processes by using nth-order intensity n次強度を用いた非ガウス散乱過程の研究 0.58
[54] Sina Jazani, Ioannis Sgouralis, Omer M Shafraz, Marcia Levitus, Sanjeevi Sivasankar, and Steve Pressé. Sina Jazani氏、Ioannis Sgouralis氏、Omer M Shafraz氏、Marcia Levitus氏、Sanjeevi Sivasankar氏、Steve Pressé氏。 0.68
An alternative framework for fluorescence correlation spectroscopy. 安 蛍光相関分光法に代わる枠組みです 0.65
Nature communications, 10(1):1–10, 2019. 自然通信, 10(1):1-10, 2019。 0.81
[55] Bo Zhu, Jeremiah Z Liu, Stephen F Cauley, Bruce R Rosen, and Matthew S Rosen. [55]Bo Zhu、Jeremiah Z Liu、Stephen F Cauley、Bruce R Rosen、Matthew S Rosen。 0.70
Image reconstruction by domain-transform manifold learning. 画像再構成 ドメイン変換多様体学習。 0.67
Nature, 555(7697):487–492, 2018. 自然誌 555(7697):487-492, 2018。 0.75
[56] Teresa Correia, Juan Aguirre, Alejandro Sisniega, Judit Chamorro-Servent, Juan Abascal, Juan J Vaquero, Manuel Desco, Ville Kolehmainen, and Simon Arridge. Teresa Correia氏、Juan Aguirre氏、Alejandro Sisniega氏、Judit Chamorro-Servent氏、Juan Abascal氏、Juan J Vaquero氏、Manuel Desco氏、Ville Kolehmainen氏、Simon Arridge氏。 0.73
Split operator method for fluorescence diffuse optical tomography using anisotropic diffusion regularisation with prior anatomical information. 異方性拡散正則化と先行解剖情報を用いた蛍光拡散光トモグラフィの分割演算法 0.75
Biomedical optics express, 2(9):2632–2648, 2011. バイオメディカル光学式 2(9):2632–2648, 2011 0.71
[57] Shiqi Xu, KM Shihab Uddin, and Quing Zhu. [57]シチ・チ、KMシハブ・ウッディン、Quing Zhu。 0.47
Improving dot reconstruction with a born iterative method and ボルン反復法とドット再構成法の改良 0.70
us-guided sparse regularization. us-guided sparse regularization 0.86
Biomedical optics express, 10(5):2528–2541, 2019. バイオメディカル光学式 10(5):2528–2541, 2019 0.82
[58] Junjie Yao and Lihong V Wang. [58]Junjie YaoとLihong V Wang。 0.72
Photoacoustic brain imaging: from microscopic to macroscopic scales. 光音響脳イメージング:顕微鏡からマクロスケールまで。 0.71
Neu- rophotonics, 1(1):011003, 2014. ノイ ロフォトニクス 1(1):011003, 2014 0.49
[59] Xavier Glorot and Yoshua Bengio. 59] ザビエル・グロロートとヨシュア・ベンジオ 0.57
Understanding the difficulty of training deep feedforward neural networks. ディープフィードフォワードニューラルネットワークの訓練の難しさを理解する。 0.70
In Proceedings of the thirteenth international conference on artificial intelligence and statistics, pages 249–256. 第13回人工知能と統計に関する国際会議Proceedings of the 13th International Conference, page 249–256。 0.62
JMLR Workshop and Conference Proceedings, 2010. JMLR Workshop and Conference Proceedings, 2010 (英語) 0.84
[60] Diederik P Kingma and Jimmy Ba. [60]Diederik P KingmaとJimmy Ba。 0.79
Adam: A method for stochastic optimization. Adam: 確率最適化の方法です。 0.69
arXiv preprint arXiv:1412.6980, arXiv preprint arXiv:1412.6980, 0.65
2014. [61] Zhou Wang, Alan C Bovik, Hamid R Sheikh, and Eero P Simoncelli. 2014. Alan C Bovik, Hamid R Sheikh, Eero P Simoncelli.[61] Zhou Wang, Alan C Bovik, 0.83
Image quality assessment: from error 画像品質評価:エラーから 0.76
visibility to structural similarity. 構造的類似への可視性 0.75
IEEE transactions on image processing, 13(4):600–612, 2004. IEEEによる画像処理のトランザクション 13(4):600–612, 2004。 0.81
[62] Heidrun Wabnitz, Dieter R Taubert, Mikhail Mazurenka, Oliver Steinkellner, Alexander Jelzow, Rainer Macdonald, Daniel Milej, Piotr Sawosz, Michał Kacprzak, Adam Liebert, et al Performance assessment of time-domain optical brain imagers, part 1: basic instrumental performance protocol. Heidrun Wabnitz氏, Dieter R Taubert氏, Mikhail Mazurenka氏, Oliver Steinkellner氏, Alexander Jelzow氏, Rainer Macdonald氏, Daniel Milej氏, Piotr Sawosz氏, Michał Kacprzak氏, Adam Liebert氏, et al Performance Assessment of time-domain optical brain imagers, Part 1: Basic instrumental performance protocol。 0.92
Journal of Biomedical Optics, 19(8):086010, 2014. journal of biomedical optics, 19(8)086010, 2014年。 0.80
[63] Jason Sutin, Bernhard Zimmerman, Danil Tyulmankov, Davide Tamborini, Kuan Cheng Wu, Juliette Selb, Angelo Gulinatti, Ivan Rech, Alberto Tosi, David A Boas, et al Time-domain diffuse correlation spectroscopy. Jason Sutin, Bernhard Zimmerman, Danil Tyulmankov, Davide Tamborini, Kuan Cheng Wu, Juliette Selb, Angelo Gulinatti, Ivan Rech, Alberto Tosi, David A Boas, et al Time-domain diffuse correlation spectroscopy。 0.78
Optica, 3(9):1006–1013, 2016. Optica, 3(9):1006-1013, 2016 0.86
[64] Dawid Borycki, Oybek Kholiqov, and Vivek J Srinivasan. Dawid Borycki氏、Oybek Kholiqov氏、Vivek J Srinivasan氏。 0.60
Interferometric near-infrared spectroscopy directly インターフェロメトリ近赤外分光法 0.72
quantifies optical field dynamics in turbid media. タービッド媒体における光学場ダイナミクスの定量化 0.64
Optica, 3(12):1471–1476, 2016. Optica, 3(12):1471–1476, 2016 0.91
13 13 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
[65] Jake Snell, Kevin Swersky, and Richard S Zemel. Jake Snell氏、Kevin Swersky氏、Richard S Zemel氏。 0.64
Prototypical networks for few-shot learning. 数ショット学習のためのプロトタイプネットワーク。 0.61
arXiv preprint arXiv プレプリント 0.83
arXiv:1703.05175, 2017. arXiv:1703.05175, 2017。 0.62
[66] Stephan Mandt, Matthew D Hoffman, and David M Blei. 566] Stephan Mandt、Matthew D Hoffman、David M Blei。 0.64
Stochastic gradient descent as approximate bayesian 近似ベイジアンとしての確率勾配降下 0.58
inference. arXiv preprint arXiv:1704.04289, 2017. 推測だ arXiv preprint arXiv:1704.04289, 2017 0.58
[67] Stephen Boyd, Neal Parikh, and Eric Chu. 67]Stephen Boyd、Neal Parikh、Eric Chu。 0.61
Distributed optimization and statistical learning via the alternating 交替による分散最適化と統計的学習 0.86
direction method of multipliers. Now Publishers Inc, 2011. 乗算器の方向推定法 2011年、出版社を設立。 0.62
[68] Amir Beck and Marc Teboulle. 68] Amir BeckとMarc Teboulle。 0.69
A fast iterative shrinkage-thresholdi ng algorithm for linear inverse problems. 線形逆問題に対する高速反復的縮小回避アルゴリズム 0.76
SIAM journal on imaging sciences, 2(1):183–202, 2009. SIAM Journal on imaging sciences, 2(1):183–202, 2009 0.88
[69] Xiaoyan Ma, Jun Q Lu, R Scott Brock, Kenneth M Jacobs, Ping Yang, and Xin-Hua Hu. [69]Xiaoyan Ma, Jun Q Lu, R Scott Brock, Kenneth M Jacobs, Ping Yang, Xin-Hua Hu。 0.79
Determination of complex refractive index of polystyrene microspheres from 370 to 1610 nm. ポリスチレン微粒子の370nmから1610nmにおける複素屈折率の決定 0.81
Physics in medicine & biology, 48(24):4165, 2003. 医学と生物学の物理学 48(24):4165, 2003。 0.86
[70] Hendrik Christoffel Hulst and Hendrik C van de Hulst. Hendrik Christoffel HulstとHendrik C van de Hulst。 0.58
Light scattering by small particles. Courier Corporation, 小粒子による光散乱 Courier Corporation 0.65
1981. [71] Davide Tamborini, Parisa Farzam, Bernhard B Zimmermann, Kuan-Cheng Wu, David A Boas, and Maria Angela Franceschini. 1981. Davide Tamborini, Parisa Farzam, Bernhard B Zimmermann, Kuan-Cheng Wu, David A Boas, Maria Angela Franceschini
訳抜け防止モード: 1981. [71 ] Davide Tamborini, Parisa Farzam, Bernhard B Zimmermann Kuan - Cheng Wu、David A Boas、Maria Angela Franceschini。
0.80
Development and characterization of a multidistance and multiwavelength diffuse correlation spectroscopy system. 多波長・多波長拡散相関分光システムの開発と特性評価 0.74
Neurophotonics, 5(1):011015, 2017. ニューロフォトニクス, 5(1):011015, 2017 0.72
A Photon sensitive path and surface fluence analysis 光子感度パスと表面フルエンス解析 0.63
In this section, we present the details of a simulation to studied the photon sensitive path, detected photon number, and scattering distributions of the tissue-like scattering volume we used in our experiment. 本稿では,光子感度経路,検出された光子数,および我々が実験で使用した組織状散乱体積の散乱分布を研究するためのシミュレーションの詳細を紹介する。 0.87
These values and photon-sensitive regions are mentioned repeatedly in the introduction and method sections to motivate the need of a multi-detector, parallelized speckle imaging system and provide valuable insight for our system design. これらの値と光子感受性領域は、マルチ検出器、並列化スペックルイメージングシステムの必要性を動機付け、システム設計に有用な洞察を提供するための導入と方法セクションで繰り返し言及されている。 0.64
The study uses a recently developed Monte Carlo light scattering simulator[48]. この研究は、最近開発されたモンテカルロ光散乱シミュレータ[48]を使用している。 0.62
We use the Lorenz–Mie theory to generate the scattering, absorption, and the scattering function of the microsphere solution used in the experiment. ローレンツ・ミー理論を用いて、実験で用いられる微小球面溶液の散乱、吸収、散乱関数を生成する。 0.65
To match the experimental setup(see parallelized speckle detection setup in the Method section), we put detectors 9mm away from the illumination. 実験のセットアップに合わせるために(メソッドセクションの並列化スペックル検出のセットアップを参照)、検出器を照明から9mm離した。 0.86
The trajectory of the detected photon are recorded to study the region most detected photon has travelled through. 検出された光子の軌道を記録し、最も検出された光子が通過した領域を研究する。 0.67
Although 12 detectors are used in the real setup, a cross section of photon trajectory from two detectors are presented here for a better visual illustration propose. 実際のセットアップでは12の検出器が使用されるが、2つの検出器からの光子軌道の断面がより視覚的な図示のために提示される。 0.73
Visualizations of 3D trajectories of detected photon from all 12 fibers, and 6,4, and 3 fibers are plotted in fig.10(b). 全12繊維、6,4,3繊維から検出された光子の3次元軌跡を図10(b)で可視化する。 0.83
Figure 9 (a) plots the center slice of the photon path that detected by two detectors placed 9mm away from the illumination. 図9(a)は、照明から9mm離れた2つの検出器によって検出された光子経路の中央スライスをプロットする。 0.79
As expected, the light travel through banana-shaped paths, with the most sensitive region penetrates around 5mm deep. 予想通り、光はバナナ型の経路を通り、最も感度の高い領域は約5mmの深さを貫通する。 0.61
The surface fluence is plotted in fig. 表面蛍光はフィグでプロットされる。 0.56
9 (b), and a line-plot of the center line is provided. 9(b)、中心線のラインプロットが設けられている。 0.70
10 billion photon is pumped into the surface center of the tissue phantom. 100億個の光子が組織ファントムの表面中心に励起される。 0.64
The photon number is re-scaled to the 200mW 670nm illumination used in the experiment via the Planck–Einstein relation to give quantitative predictions of the photon number per speckle area per µs exposure on the tissue phantom surface. 光子数は200mW 670nmの光に再スケールされ、プランク・アインシュタイン関係により、組織ファントム表面への露出1μs当たりのスペックル面積当たりの光子数を定量的に予測する。 0.76
On average 9.4 photon per speckle per µs exiting the tissue phantom surface 9mm away from the illumination. 1μ秒あたり平均9.4光子で、組織ファントム表面は照明から9mm離れている。 0.67
The emperically measured number of photon using the SPAD array within this exposure time is less than 2 photon per pixel per µs, which is lower. この露光時間内にスパッドアレイを用いて測定された光子の数は、1μs当たり2光子以下であり、これは低い。 0.72
This is due to the fiber transmission efficiency and the quantum efficiency of the SPAD. これは光ファイバー伝送効率とSPADの量子効率が原因である。 0.74
Hence, the measured photon number falls into the expected range. したがって、測定された光子数は期待範囲に該当する。 0.70
Figure 9 (c) gives The probabilistic distribution of the number of times detected photon gets scattered. 図9(c)は、検出された光子が散乱する回数の確率分布を示す。 0.86
The average number of scattering is above 400 times. 散乱の平均数は400倍以上である。 0.78
The distribution has a long tail, and no photon scattering less than 80 scattering are detected at the 9mm source-detector seperation. 分布は長い尾を持ち、光子散乱が80未満のものは9mmソース検出器分離で検出されない。 0.85
Therefore, the simulation predicts all the detected light are highly scattered. したがって、全ての検出された光が高い散乱を予測できる。 0.61
However, in reality, as we used glass material to make both the cuvette and the probe surface, capturing leaking photon from the phantom surface is also anticipated, as discussed in Discussion section in the main text. しかし、実際にはガラス素材を用いてキュベットとプローブ表面の両方を作り、主文の議論節で述べたようにファントム表面からの漏れ光子を捉えることも期待されている。 0.65
Figure 9 (d) shows the phase function for the microsphere solution calculated by the Mie scattering theory. 図9(d)は、ミー散乱理論によって計算された微小球面溶液の位相関数を示している。 0.70
In addition, we provide 3D trajectory of the detected photon and plot the imaging sensitivity of the PDCI system using different number of fiber detectors in fig.10. さらに、検出された光子の3次元軌跡を提供し、第10図の異なるファイバー検出器を用いてPDCIシステムの画像感度をプロットする。 0.80
These visualizations greatly help understand the imaging space of the system with different number of fiber detectors, and explains why employing more detectors can noticeably improve the imaging quality, as shown in the Results section in the main text. これらの可視化は、ファイバ検出器の数の異なるシステムの撮像空間を理解するのに大いに役立ち、メインテキストの結果セクションに示すように、より多くの検出器を用いると画像品質が著しく向上する理由を説明している。
訳抜け防止モード: これらの視覚化は大いに役立つ ファイバー検出器の数が異なるシステムの画像空間を 理解してください より多くの検出器を使って 画像の品質が著しく向上し メインテキストで結果セクションに示します。
0.80
B A model-based reconstruction BAモデルに基づく再構成 0.67
We compare our learning-based method with a model-based method. 学習ベース手法とモデルベース手法を比較した。 0.72
We assume the perturbation (object present subtract object absent) b ∈ Rm generated by the DMD patterns is linearly related to the displayed pattern pixels x ∈ Rn by b = Wx,W ∈ Rm×n, where each column of W = [w1, w2, ..] are the perturbations generated by the decorrelating point source located at pixels [x1; x2, ..] of x. DMDパターンによって生成される摂動(現在の減算対象が存在しない物) b ∈ Rm は b = Wx,W ∈ Rm×n で表示されたパターン画素 x ∈ Rn と線形に関連していると仮定し、ここで W = [w1, w2, .] の各列は x の画素 [x1, x2, .] に位置する非相関点源によって生成される摂動である。 0.81
I.e., the perturbation generated by displaying both pattern 1 and pattern 2 is equal to the sum of the perturbations generated by displaying pattern 1 and 2 individually. すなわち、パターン1とパターン2の両方を表示することによって生じる摂動は、パターン1とパターン2を個別に表示することによって生じる摂動の和に等しい。 0.74
While analytical Green’s functions of diffuse correlation equation(DCE) exist for simple media geometry, such as infinite or 解析的グリーン関数の拡散相関方程式(DCE)は、無限あるいは無限のような単純な媒体幾何学のために存在する。
訳抜け防止モード: 解析的グリーン関数の拡散相関方程式(DCE)は単純な媒体幾何学のために存在する。 無限、または
0.85
14 14 0.85
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 9: Monte carlo simulation of (a) Photon sensitive path of two source-detector pairs. 図9:モンテカルロ法による2つの検出器対の光子感度経路のシミュレーション。 0.73
(b) Left: En face view of the surface photon number distribution. (b)左:表面光子数分布の面ビュー。 0.66
Right: a center slice of the surface photon distribution. 右:表面光子分布の中心スライス。 0.61
The y-axis is scaled to the number of backscattered photon on the surface per speckle area per micro-second when 200mW light is used. y軸は200mW光を使用する場合、スペックル領域当たりの表面に後方散乱光子の個数にスケールされる。 0.70
(c) The distribution of the number of scattering photon experiences before detected. (c)検出前の散乱光子経験数の分布。 0.66
(d) The scattering function of the microsphere solution we used. (d)我々が使用した微小球面溶液の散乱関数。 0.82
semi-infinite geometries, it is not available for most arbitrary tissue shapes. 半無限のジオメトリでは、ほとんどの任意の組織形状では利用できない。 0.61
Moreover, as mentioned in the text, the diffuse correlation equation is not a good approximation of the transported correlation equation for small source-detector separations used here. さらに、本論文で述べたように、拡散相関方程式は、ここで用いられる小さなソース・検出器分離のための輸送相関方程式のよい近似ではない。 0.71
Hence, we measure the perturbation generated from each positions over a 0.67mm-pitch grid by turning on a small 1.36mm-radius circular DMD area centered at each grid point in sequence, which is smaller than the expected achievable resolution[33]). そこで我々は,0.67mmピッチ格子上の各位置から発生する摂動を,各格子点を中心とする小さな1.36mm半径の円MDD領域を連続的にオンにすることで測定する[33]。 0.76
We apply (cid:96)1 and isotropic total variation penalties to regularize the ill-posed reconstruction. 我々は, (cid:96)1と等方性全変動ペナルティを適用し, 不正な再構成を正則化する。 0.55
Such regularizations has been successfully applied to diffuse optical tomography to improve reconstruction quality[56, 57]. このような正則化を拡散光トモグラフィーに応用し, 再現性の向上に成功している[56, 57]。 0.67
The inverse problem can be formulated as 逆問題は次のように定式化できる 0.64
To solve this, we use a variable splitting method. これを解決するために変数分割法を用いる。 0.72
We first rewrite the problem as 私たちはまず問題を書き直した 0.74
x = arg min x = arg min 0.85
x 1 2 (cid:107)Wx − b(cid:107)2 x 1 2 (cid:107)Wx − b(cid:107)2 0.85
2 + β(cid:107)x(cid:107)1 + γ(cid:107)x(cid:107)t v. 2 + β(cid:107)x(cid:107)1 + γ(cid:107)x(cid:107)t v。 0.85
which is equivalent to solving the augmented Lagrangian 拡張ラグランジアンを解くのと同値です 0.57
x, y, z = arg min x, y, z = arg min 0.85
x,y,z 1 2 (cid:107)Wx − b(cid:107)2 x,y,z 1 2 (cid:107)Wx − b(cid:107)2 0.85
2 + β(cid:107)y(cid:107)1 + γ(cid:107)z(cid:107)t v, s.t. 2 + β(cid:107)y(cid:107)1 + γ(cid:107)z(cid:107)t v, s.t。 0.82
x = y, x = z, x = y, x = z, 0.85
where L(x, y, z; u, v) = どこに L(x, y, z; u, v) = 0.76
x, y, z = arg min x,y,z;u,v x, y, z = arg min x,y,z;u,v 0.85
L(x, y, z; u, v), L(x, y, z; u, v) 0.78
(cid:107)Wx − b(cid:107)2 (cid:107)Wx − b(cid:107)2 0.86
2 + β(cid:107)y(cid:107)1 + γ(cid:107)z(cid:107)t v 2 + β(cid:107)y(cid:107)1 + γ(cid:107)z(cid:107)t v 0.86
1 2 + u(cid:62)(x − y) + v(cid:62)(x − z) + 1 2 + u(cid:62)(x − y) + v(cid:62)(x − z) + 0.92
ρ1 2 (cid:107)x − y(cid:107)2 ρ1 2 (cid:107)x − y(cid:107)2 0.87
2 + ρ2 2 (cid:107)x − z(cid:107)2 2. 2 + ρ2 2 (cid:107)x − z(cid:107)2 2。 0.87
(7) (8) (9) (7) (8) (9) 0.85
(10) (11) (12) (10) (11) (12) 0.85
This can be solved efficiently using the alternating direction method of multipliers(ADMM)[67] encapsulated in これを乗算器(admm)[67]の交互方向法を用いて効率的に解くことができる。 0.75
algorithm 1, where the primal variables minimization steps can be simplified as ρ2 2 (cid:107)x − y + u(cid:107)2 2, アルゴリズム1では、原始変数の最小化ステップを ρ2 2 (cid:107)x − y + u(cid:107)2 2 と単純化することができる。 0.75
2 + β(cid:107)y(cid:107)1 + 2 + β(cid:107)y(cid:107)1 + 0.90
(cid:107)Wx − b(cid:107)2 (cid:107)Wx − b(cid:107)2 0.86
y = arg min y = arg min 0.85
ρ1 2 x = arg min ρ1 2 x = arg min 0.87
x 1 2 (cid:107)x − y + u(cid:107)2 x 1 2 (cid:107)x − y + u(cid:107)2 0.87
2 + (cid:107)x − z + v(cid:107)2 2, 2 + (cid:107)x − z + v(cid:107)2 2 0.90
y ρ1 2 15 01000200000.050.10.1 5-10-50SourceDetecto r1Detector2(a)Photon path of detected light(cross section)(b)Surface photon distributionEnface viewCenter cross section-100100500100 01500𝜌𝜌(mm)(c)Scattering times distribution Number of scatteringProbabilit yScattering function of particles in tissue phantomLog scaleLinear scale(d)0-1515-15015 x-axis(mm)y-axis(mm) zx9mm# photon per 𝜆𝜆2/4per 𝜇𝜇sdB01000200000.050.1 0.15Mean = #442 [g ]Min: 0.29Max: 8.9e+20°90°180°90° [ ]Min: 0.29Max: 8.9e+20°90°180°90°9 photon at 𝝆𝝆=𝟗𝟗𝐦𝐦𝐦𝐦9mm y ρ1 2 15 01000200000.050.10.1 5-10-50SourceDetecto r1Detector2(a)Photon path of detected light(cross section)(b)Surface photon distributionEnface viewCenter cross section-100100500100 01500𝜌𝜌(mm)(c)Scattering times distribution Number of scatteringProbabilit yScattering function of particles in tissue phantomLog scaleLinear scale(d)0-1515-15015 x-axis(mm)y-axis(mm) zx9mm# photon per 𝜆𝜆2/4per 𝜇𝜇sdB01000200000.050.1 0.15Mean = #442 [g ]Min: 0.29Max: 8.9e+20°90°180°90° [ ]Min: 0.29Max: 8.9e+20°90°180°90°9 photon at 𝝆𝝆=𝟗𝟗𝐦𝐦𝐦𝐦9mm 0.79
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 10: (a) PDCI system with different number of fiber detectors. 図10: (a) 繊維検出器の数が異なるPDCIシステム。 0.81
The source-detector configurations are used to generate Fig 8 in the main article. ソース-検出器構成は、メイン記事のFig 8を生成するために使用される。 0.59
(b) shows the imaging space of the PDCI systems with different number of detectors, with 12-fiber covers the most volume underneath. (b) 異なる検出器数を持つpdci系の撮像空間を示し、12ファイバが最下層を覆っている。 0.65
Images in each row share the same scale bar. 各行の画像は同じスケールバーを共有します。 0.83
respectively. Equation 11 has a close-form solution それぞれ。 方程式11は閉形式解を持つ 0.65
x =(cid:0)WTW + ρ1I + ρ2I(cid:1)−1(cid:0)ρ1(y − u) + ρ2(z − v) + WTb(cid:1). x =(cid:0)WTW + ρ1I + ρ2I(cid:1)−1(cid:0)ρ1(y − u) + ρ2(z − v) + WTb(cid:1)。 0.83
z z = arg min z z = arg min 0.85
β(cid:107)z(cid:107)t v + β(cid:107)z(cid:107)t v + 0.86
ρ2 2 (cid:107)x − z + v(cid:107)2 2, ρ2 2 (cid:107)x − z + v(cid:107)2 2 0.92
(13) (14) Equation 12 also has a close-form solution (13) (14) 方程式 12 もまた閉形式解を持つ 0.82
(15) where S(·, λ) is the soft-threshold function with a threshold λ. (15) ここで s(·, λ) は閾値 λ を持つソフトスレッショルド函数である。 0.74
Unfortunately the proximal of the TV regularization in equation 13 does not have a close-form solution; however, we can solve it efficiently using the method proposed by Beck and Teboulle [68] that converges in 10 iterations. 残念なことに、方程式13におけるTV正規化の近似は閉形式解を持たないが、ベックとテブール [68] が提案した手法を10回に収束させることで効率よく解くことができる。 0.71
y = S(y, 2β/ρ1) y = S(y, 2β/ρ1) 0.81
C Liquid phantom optical and dynamic property c液体ファントムの光学特性と動的特性 0.75
Here we present a way to estimate the scattering, absorption, and decorrelating properties of the polystyrene bead liquid phantom we use in the experiments. そこで本研究では, ポリスチレンビード液体ファントムの散乱, 吸収, 脱相関特性を推定する方法を提案する。 0.64
Our phantom is made of 1-micronmeter polystyrene microspheres suspension with a concentration of 4.55 × 106#/mm3. ファントムは1マイクロメートルのポリスチレン微粒子でできており、濃度は4.55 × 106#/mm3である。 0.58
Using one of the most popular reported complex refractive index of (cid:48) polystyrene (1.584-0.0004i) measured by Ma et.al. もっとも人気のある(cid:48)ポリスチレンの複素屈折率(1.584-0.0004i)をma et.alで測定した。 0.64
[69], the scattering(µ s) and absorption coefficient(µa) of the polystyrene microsphere solution can be calculated with the Lorenz-Mie theory[70], which results in an calculated s = 0.7mm−1 and µa = 0.02mm−1. [69], ポリスチレンミクロスフェア溶液の散乱(μ s)および吸収係数(μa)はロレンツ・ミー理論[70]により計算され, s = 0.7mm−1, μa = 0.02mm−1となる。 0.88
However, as the extinction coefficient of the polystyrene in 670nm wavelength (cid:48) µ is very small, a tiny variance (on the order of 10 × −4) caused by manufacturing inconsistency or process discrepancy can result in noticeable difference in the absorption coefficient. しかし、670nmの波長 (cid:48) μ におけるポリスチレンの消滅係数は非常に小さいため、不整合やプロセス不一致によって生じる小さな分散(10×−4)は吸収係数の顕著な差をもたらす可能性がある。 0.79
Hence, we experimentally measure the absorption coefficient using a relation between surface diffuse reflectance and source-detector distance derived from the diffusion equation[71] したがって、拡散方程式[71]から導かれる表面拡散反射率とソース・検出器距離の関係を用いて吸収係数を実験的に測定する。 0.78
ln (ρ2Iρ) = −µeff + I0, ln (ρ2Iρ) = −μeff + I0, 0.74
Algorithm 1 Proposed ADMM-based reconstruction method 1: Input: initial guess x0, system matrix W, measurement b, number if iteration T . アルゴリズム1 ADMMに基づく再構成手法1:入力:初期推定 x0, システム行列 W, 測定b, 回数, 繰り返しT。 0.82
2: Init: y0 = x0,z0 = x0, u0 = 0, v0 = 0. 2: y0 = x0,z0 = x0, u0 = 0, v0 = 0。 0.94
3: for t = 1, 2, . 3: t = 1, 2, に対して。 0.91
. . , T do 4: 5: 6: 7: 8: 9: end for 10: Output: xT . . T do 4: 5: 6: 7: 8: 9: end for 10: Output: xT 0.83
xt = arg minx L(xt−1, yt−1, zt−1; ut−1, vt−1) yt = arg miny L(xt, yt−1, zt−1; ut−1, vt−1) zt = arg minz L(xt, yt, zt−1; ut−1, vt−1) ut = ut−1 + xt − yt vt = vt−1 + xt − zt xt = arg minx L(xt−1, yt−1, zt−1; ut−1, vt−1) yt = arg miny L(xt, yt−1, zt−1; ut−1, vt−1) zt = arg minz L(xt, yt, zt−1; ut−1, vt−1) ut = ut−1 + xt − yt vt = vt−1 + xt − zt 0.81
16 (16) (cid:46) Eq 14 (cid:46) Eq 15 16 (16) (cid:46)eq14(cid:46) eq15 0.83
(cid:46) Dual ascent (cid:46) Dual ascent (cid:46)dual ascent(cid:46)dual ascent 0.78
12 detectors6 detectors4 detectors3 detectorsImaging sensitivity volume(b)minmax30mm1 0mmSourceDetectorSou rce-detector distribution(a) 12 detectors6 detectors4 detectors3 detectorsimaging sensitivity volume(b)minmax30mm1 0mmsourcedetector source-detector distribution(a) 0.71
英語(論文から抽出)日本語訳スコア
A PREPRINT - JULY 6, 2021 A PrePRINT - JULY 6, 2021 0.82
Figure 11: (a) Experimentally measured ln (ρ2Iρ) as a function of source-detector seperation. 図11: (a) ソース検出器分離の関数として ln (ρ2iρ) を実験的に測定します。 0.68
Fitting measured points gives an estimated µa = 0.01cm−1. 測定点に合わせると、推定μa = 0.01cm−1となる。 0.52
(b) Fitting intensity autocorrelation g2(τ ) using simulation gives a predicted Brownian diffusion coefficient Dv = 1.5 × 10−6mm2/s. (b)シミュレーションを用いた強度自己相関g2(τ)は予測ブラウン拡散係数Dv = 1.5 × 10−6mm2/sを与える。 0.72
where ρ is the source-detector distance. ρ はソース・検出器距離です 0.76
µeff = (cid:112)3µ μeff = (cid:112)3μ 0.75
(cid:48) sµa is the effective attenuation coefficient. (cid:48)sμaは有効減衰係数である。 0.69
Iρ and I0 are the surface diffuse reflectance at ρ and 0, respectively. IρとI0はそれぞれρと0の表面拡散反射率である。 0.87
Fig 11 plots the experimentally measured ln (ρ2Iρ) as a function of the source-detector separation. fig 11は、実験で測定されたln (ρ2iρ) を源検出器分離の関数としてプロットする。 0.60
Fitting the points with a straight line, we can derive the absorption coefficent to be µa = 0.01cm−1. 点を直線に合わせると、吸収共効率は μa = 0.01cm−1 となる。 0.76
Next, we want to estimate the dynamic property of the media. 次に,メディアの動的特性を推定する。 0.50
Since we use a 0.9cm source-detector separation in the experiment, a Monte Carlo method is used to give more accurate result. 実験では0.9cmの音源検出器を分離するため,モンテカルロ法を用いてより正確な結果を得る。 0.80
Consider a photon n experience its n,m, where ith scattering inside the medium m, resulting a momentum transfer qi q = kout − kin with kout and kin are wave-vectors scattered from and towards the collision, respectively. 1つの光子 n が n,m を経験し、中間体 m 内部にアイス散乱し、kout と kin の運動量移動 qi q = kout − kin がそれぞれ衝突と衝突に向かって散乱する波動ベクトルであるとする。 0.77
The total dimensionless momentum transfer and photon traveling path length of photon n inside medium m can be written as n,m tracked from 媒体m内の光子nの非次元運動量移動と光子移動経路長は、n,mとして表すことができる。 0.74
n,m, respectively, with each individual qi n,mはそれぞれ個々のqiで 0.58
n,m and a traveling path length li n,mと走行路の長さLI 0.74
Yn,m =(cid:80) Yn,m =(cid:80) 0.94
i=1(qi n,m)2/(2k2 i=1(qi) n,m)2/(2k2) 0.72
n,m and li i=1 li n,m,li i=1 li 0.67
the Monte Carlo simulation. モンテカルロシミュレーション。 0.46
Therefore, the field correlation can be calculated as [44] したがって、フィールド相関は [44] として計算できる。 0.79
m) and Ln,m =(cid:80) exp(cid:0) − 1 m) と Ln,m = (cid:80) exp(cid:0) − 1 0.94
Np(cid:88) Np (cid:88) 0.83
1 Np 3 M(cid:88) 1Np 3 m(cid:88) 0.78
G1(τ ) = Yn,mk2 G1(τ) = Yn,mk2 0.96
m(cid:104)∆r2 m(cid:104)~r2 0.67
m(τ )(cid:105)(cid:1)exp (cid:0) M(cid:88) m(τ )(cid:105)(cid:1)exp (cid:0)M(cid:88) 0.82
(cid:1), −µam Ln,m (cid:1) −μam Ln,m 0.84
(17) n=1 m=1 (17) n=1 m=1。 0.63
m=1 where M is the number of different tissue types, and Np is the number of detected photons. m=1。 Mは異なる組織の種類の数であり、Npは検出された光子の数である。 0.64
km and µam are the wave-number and absorption coefficient in medium m. Since we are estimating the property for the background media, which is homogeneous, M = 1 in this case. 媒質 m の波動数と吸収係数は km と μam であり,同質な背景媒質の性質を推定しているため,M = 1 となる。
訳抜け防止モード: 私たちは背景媒体の特性を推定しているので、中mにおける波数と吸収係数はkmとμamである。 この場合 M = 1 となる。
0.87
Further, we assume the polystyrene bead suspension experience Brownian motion, which makes (cid:104)∆r2 m(τ )(cid:105) = 6Dvτ. さらに、ポリスチレンのビード懸濁液はブラウン運動を伴い、(cid:104)\r2 m(τ )(cid:105) = 6dvτ となる。 0.68
From field correlation curves, we can compute the normalized intensity correlation using the Siegert relation (18) where g1(τ ) = G1(τ )/G1(0) is the normalized field correlation. 場相関曲線から、g1(τ ) = g1(τ )/g1(0) が正規化場相関であるジーゲルト関係 (18) を用いて正規化強度相関を計算することができる。 0.77
Fitting the experimentally measured g2(τ ) with simulated ones, we derive the diffusion coefficient for the media Dv = 1.5 × 10−6mm2/s, which is close to the diffusion coefficient in small animals[45]. 実験により測定したg2(τ) を模擬材料とし, 小動物の拡散係数に近い媒体Dv = 1.5 × 10−6mm2/sの拡散係数を導出した[45]。 0.90
g2(τ ) = 1 + |g1(τ )|2, g2(τ ) = 1 + |g1(τ )|2, 0.92
17 𝜇𝜇eff=0.15mm−1𝜇𝜇𝑎𝑎=0.01mm−1S-d distance 𝜌𝜌(mm)ln𝜌𝜌2𝐼𝐼𝜌𝜌(a.u.)𝜏𝜏(𝜇𝜇s)𝑔𝑔2(a.u. 17 μμeff=0.15mm−1μμaa=0.01mm−1s-d距離 ρρ(mm)lnρρ2iiρρ(a.u.)ττ(μμs)gg2(a.u.) 0.63
)𝐷𝐷𝑣𝑣=1.5×10−6mm2/𝑠𝑠(a)(b) )DDvv=1.5×10−6mm2/ss(a)(b) 0.50
                                   ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。