論文の概要: Deep Learning-Based Solvability of Underdetermined Inverse Problems in Medical Imaging

• arxiv url: http://arxiv.org/abs/2001.01432v3
• Date: Fri, 26 Jun 2020 00:17:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:09:23.573812
• Title: Deep Learning-Based Solvability of Underdetermined Inverse Problems in Medical Imaging
• Title（参考訳）: 医学画像における不確定逆問題の深層学習に基づく可解性
• Authors: Chang Min Hyun, Seong Hyeon Baek, Mingyu Lee, Sung Min Lee, and Jin Keun Seo
• Abstract要約: 本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。 医用画像における未決定線形システムの解法のほとんどは非線形である。 さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
• 参考スコア（独自算出の注目度）: 3.2214522506924093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, with the significant developments in deep learning techniques, solving underdetermined inverse problems has become one of the major concerns in the medical imaging domain. Typical examples include undersampled magnetic resonance imaging, interior tomography, and sparse-view computed tomography, where deep learning techniques have achieved excellent performances. Although deep learning methods appear to overcome the limitations of existing mathematical methods when handling various underdetermined problems, there is a lack of rigorous mathematical foundations that would allow us to elucidate the reasons for the remarkable performance of deep learning methods. This study focuses on learning the causal relationship regarding the structure of the training data suitable for deep learning, to solve highly underdetermined inverse problems. We observe that a majority of the problems of solving underdetermined linear systems in medical imaging are highly non-linear. Furthermore, we analyze if a desired reconstruction map can be learnable from the training data and underdetermined system.
• Abstract（参考訳）: 近年, 深層学習技術の進歩に伴い, 医療画像領域における課題の一つとして, 逆問題の解法が注目されている。 例としては、アンダーサンプリング磁気共鳴イメージング、内部トモグラフィ、深層学習技術が優れたパフォーマンスを達成したスパースビュー計算トモグラフィなどがある。 深層学習法は,未定の諸問題を扱う際の既存の数学的手法の限界を克服しているように思われるが,深層学習法の性能向上の理由を明らかにするための厳密な数学的基礎が欠如している。 本研究では,深層学習に適した学習データの構造に関する因果関係を学習し,高度に不確定な逆問題を解く。 医用画像における不確定な線形系の解法に関する問題の大部分は、高度に非線形である。 さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、過小評価システムから分析する。

関連論文リスト

• Physics and Deep Learning in Computational Wave Imaging [24.99422165859396]
  計算波イメージング(CWI)は、物質体積の隠れ構造と物理的性質を抽出する。 CWI問題を解くための現在のアプローチは、伝統的な物理学に根ざしたものと、ディープラーニングに基づくものに分けられる。 機械学習ベースの計算手法が登場し、これらの課題に対処するための異なる視点を提供する。
  論文  参考訳（メタデータ） (2024-10-10T19:32:17Z)
• A sparse coding approach to inverse problems with application to microwave tomography [2.230861711161317]
  哺乳類の視覚系に触発された自然画像に対して,現実的でコンパクトで効果的な生成モデルを提案する。 これにより、大量の画像の集合上でモデルをトレーニングすることで、不測の線形逆問題に対処することができる。 マイクロ波トモグラフィー画像における非線形および不適切な問題に対するスパース符号化の適用を拡大する。
  論文  参考訳（メタデータ） (2023-08-07T14:28:59Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Physics-/Model-Based and Data-Driven Methods for Low-Dose Computed Tomography: A survey [21.430431819394414]
  2016年には、特に低線量CT(LDCT)画像において、高度なトモグラフィーが成功している。 LDCTはビッグデータによって駆動されるが、純粋なエンドツーエンド再構築ネットワークはブラックボックスの性質や不安定性などの大きな問題に悩まされることが多い。 新たなトレンドは、イメージング物理学とモデルをディープネットワークに統合し、物理/モデルベースおよびデータ駆動要素のハイブリッド化を可能にすることだ。
  論文  参考訳（メタデータ） (2022-03-29T16:36:51Z)
• Physical Gradients for Deep Learning [101.36788327318669]
  最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。 本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-30T12:14:31Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Deep learning for biomedical photoacoustic imaging: A review [0.3234560001579256]
  光音響イメージング(英: Photoacoustic Imaging, PAI)は、組織深度数センチまでの光学組織特性を空間的に分解した画像化を可能にする、将来性のある画像モダリティである。 生データから関連組織パラメータを抽出するには、逆画像再構成問題の解決が必要である。 深層学習法には、PAIの臨床翻訳を容易にするユニークな利点がある。
  論文  参考訳（メタデータ） (2020-11-05T10:33:51Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
  機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。 異なる問題や再構築方法の分類に使用できる分類法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T18:35:55Z)
• Learned Spectral Computed Tomography [0.0]
  スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。 この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。 提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-09T13:39:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。