論文の概要: Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep
Learning
- arxiv url: http://arxiv.org/abs/2001.02469v1
- Date: Wed, 8 Jan 2020 12:11:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 10:00:35.730521
- Title: Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep
Learning
- Title（参考訳）: 深層学習を用いた透過X線顕微鏡のための狭角トモグラフィ
- Authors: Yixing Huang, Shengxiang Wang, Yong Guan, Andreas Maier
- Abstract要約: 深層学習は、X線顕微鏡で初めて限られた角度再構成に適用される。
バイオメディカルイメージングにおける最先端のニューラルネットワークであるU-Netは、合成データからトレーニングされている。
提案法は, クロレラ細胞における細胞内構造の3次元可視化を著しく改善する。
- 参考スコア（独自算出の注目度）: 12.991428974915795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In transmission X-ray microscopy (TXM) systems, the rotation of a scanned
sample might be restricted to a limited angular range to avoid collision to
other system parts or high attenuation at certain tilting angles. Image
reconstruction from such limited angle data suffers from artifacts due to
missing data. In this work, deep learning is applied to limited angle
reconstruction in TXMs for the first time. With the challenge to obtain
sufficient real data for training, training a deep neural network from
synthetic data is investigated. Particularly, the U-Net, the state-of-the-art
neural network in biomedical imaging, is trained from synthetic ellipsoid data
and multi-category data to reduce artifacts in filtered back-projection (FBP)
reconstruction images. The proposed method is evaluated on synthetic data and
real scanned chlorella data in $100^\circ$ limited angle tomography. For
synthetic test data, the U-Net significantly reduces root-mean-square error
(RMSE) from $2.55 \times 10^{-3}$ {\mu}m$^{-1}$ in the FBP reconstruction to
$1.21 \times 10^{-3}$ {\mu}m$^{-1}$ in the U-Net reconstruction, and also
improves structural similarity (SSIM) index from 0.625 to 0.920. With penalized
weighted least square denoising of measured projections, the RMSE and SSIM are
further improved to $1.16 \times 10^{-3}$ {\mu}m$^{-1}$ and 0.932,
respectively. For real test data, the proposed method remarkably improves the
3-D visualization of the subcellular structures in the chlorella cell, which
indicates its important value for nano-scale imaging in biology, nanoscience
and materials science.
- Abstract（参考訳）: 透過X線顕微鏡(TXM)システムでは、走査された試料の回転は、他のシステム部品との衝突を避けるために限られた角度範囲に制限される。
このような限られた角度データからの画像再構成は、欠落したデータによるアーティファクトに悩まされる。
本研究では,TXMの限られた角度再構成に対して,初めてディープラーニングを適用した。
訓練のための十分な実データを得るためには、合成データからディープニューラルネットワークを訓練することが必要となる。
特に、バイオメディカルイメージングにおける最先端のニューラルネットワークであるU-Netは、合成楕円体データと多カテゴリデータからトレーニングされ、フィルタバックプロジェクション(FBP)再構成画像のアーティファクトを減らす。
本手法は,100^\circ$リミテッドアングルトモグラフィで合成データと実走査クロレラデータを用いて評価した。
合成テストデータでは、u-netはルート平均二乗誤差(rmse)を2.55 \times 10^{-3}$ {\mu}m$^{-1}$ から1.21 \times 10^{-3}$ {\mu}m$^{-1}$ u-netの再構成において大幅に削減し、構造類似度(ssim)指数を0.625から0.920 に改善した。
測定された射影の最小2乗のペナル化により、RMSEとSSIMはそれぞれ1.16 \times 10^{-3}$ {\mu}m$^{-1}$と0.932に改善される。
実際の試験データでは, クロレラ細胞の細胞構造を3次元的に可視化し, 生体, ナノサイエンス, 材料科学におけるナノスケールイメージングの意義を示す。
関連論文リスト
- Deep-Motion-Net: GNN-based volumetric organ shape reconstruction from single-view 2D projections [1.8189671456038365]
放射線治療中に3次元臓器形状を再構成できるエンドツーエンドのグラフニューラルネットワークアーキテクチャを提案する。
提案モデルは、患者固有のテンプレートと、任意の投影角度でkV画像から抽出した深い特徴からメッシュ回帰を学習する。
総合的枠組みは, 合成呼吸運動のシナリオを定量的に検討し, 肝癌患者に対するフルスキャンで得られた内処理画像について質的に検討した。
論文 参考訳（メタデータ） (2024-07-09T09:07:18Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies [5.534428269834764]
我々は、Dark Energy Spectroscopic Instruments(DESI)による局所原始非ガウス性パラメータ$fnl$を制約するために、光赤銀河の角度クラスタリングを用いる。
このサンプルは1200万以上の目標からなり、空の14,000平方度をカバーし、赤方偏移は0.2 z 1.35$である。
我々は, 銀河の絶滅, 調査深度, 天体観測を系統的誤りの主な原因とみなし, 大規模での非宇宙的余剰クラスタリングを緩和するために線形回帰と人工ニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2023-07-04T14:49:23Z) - A geometry-aware deep network for depth estimation in monocular
endoscopy [17.425158094539462]
提案手法は,異なるデータセットと臨床画像にまたがって広範囲に検証されている。
提案法の平均RMSE値は12.604(T1-L1)、9.930(T2-L2)、13.893(Colon)である。
論文 参考訳（メタデータ） (2023-04-20T11:59:32Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in
Computed Tomography [7.405782253585339]
本研究は,両側フィルタリングの考え方に基づくオープンソースのCT復号化フレームワークを提案する。
本稿では、深層学習パイプラインに組み込むことができ、純粋にデータ駆動方式で最適化できる二元フィルタを提案する。
X線顕微鏡による骨データ(0.7053と33.10)と、SSIMとPSNRによる2016 Low Dose CT Grand Challengeデータセット(0.9674と43.07)のデノイング性能が達成されている。
論文 参考訳（メタデータ） (2022-01-25T14:33:56Z) - Low dosage 3D volume fluorescence microscopy imaging using compressive
sensing [0.0]
本稿では, 圧縮センシングによる3Dボリュームの完全再構成を, 励起量の半分未満のSNRで行う方法を提案する。
ゼブラフィッシュ胚脊髄のRFP標識ニューロンの3次元体積を, 共焦点顕微鏡を用いて0.1umの軸方向サンプリングにより計測し, 本手法の実証を行った。
この研究で開発されたCSベースの手法は、2光子や光シート顕微鏡などの他の深部イメージングに容易に適用でき、サンプル光毒性の低減は重要な課題である。
論文 参考訳（メタデータ） (2022-01-03T18:44:50Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳（メタデータ） (2020-11-14T12:50:32Z) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳（メタデータ） (2020-07-20T12:45:38Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z)
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。