論文の概要: Deep Neural Networks for the Correction of Mie Scattering in
Fourier-Transformed Infrared Spectra of Biological Samples
- arxiv url: http://arxiv.org/abs/2002.07681v1
- Date: Tue, 18 Feb 2020 16:07:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:52:45.163426
- Title: Deep Neural Networks for the Correction of Mie Scattering in
Fourier-Transformed Infrared Spectra of Biological Samples
- Title(参考訳): 生体試料のフーリエ変換赤外スペクトルにおけるMie散乱補正のためのディープニューラルネットワーク
- Authors: Arne P. Raulf and Joshua Butke and Lukas Menzen and Claus K\"upper and
Frederik Gro{\ss}erueschkamp and Klaus Gerwert and Axel Mosig
- Abstract要約: 本稿では,この複雑な前処理関数をディープニューラルネットワークを用いて近似する手法を提案する。
提案手法は, 時間と補正スペクトルとのトレードオフを克服し, 人工基準スペクトルに偏りを生じさせる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrared spectra obtained from cell or tissue specimen have commonly been
observed to involve a significant degree of (resonant) Mie scattering, which
often overshadows biochemically relevant spectral information by a non-linear,
non-additive spectral component in Fourier transformed infrared (FTIR)
spectroscopic measurements. Correspondingly, many successful machine learning
approaches for FTIR spectra have relied on preprocessing procedures that
computationally remove the scattering components from an infrared spectrum. We
propose an approach to approximate this complex preprocessing function using
deep neural networks. As we demonstrate, the resulting model is not just
several orders of magnitudes faster, which is important for real-time clinical
applications, but also generalizes strongly across different tissue types.
Furthermore, our proposed method overcomes the trade-off between computation
time and the corrected spectrum being biased towards an artificial reference
spectrum.
- Abstract(参考訳): 細胞または組織標本から得られた赤外スペクトルは、しばしば相当量の(共鳴)ミエ散乱を伴い、フーリエ変換赤外分光法(FTIR)において、非線形で非付加的なスペクトル成分によって生化学的に関連のあるスペクトル情報を覆い隠蔽する。
FTIRスペクトルに対する多くの機械学習アプローチは、赤外線スペクトルから散乱成分を計算的に除去する前処理に頼っている。
本稿では,この複雑な前処理関数をディープニューラルネットワークを用いて近似する手法を提案する。
我々が示すように、結果のモデルは数桁の速さで、リアルタイム臨床応用に重要であるだけでなく、異なる組織タイプにまたがって強く一般化している。
さらに,提案手法は,計算時間と補正スペクトルとのトレードオフを克服し,人工基準スペクトルに偏りを生じさせる。
関連論文リスト
- Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。
SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。
スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-19T14:24:03Z) - Point-Calibrated Spectral Neural Operators [54.13671100638092]
点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
論文 参考訳(メタデータ) (2024-10-15T08:19:39Z) - Infrared Spectra Prediction for Diazo Groups Utilizing a Machine
Learning Approach with Structural Attention Mechanism [0.0]
赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。
本稿では、特にジアゾ化合物の赤外スペクトルの予測と解釈を強化するために、構造的注意機構を用いた機械学習手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T15:44:43Z) - SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance
Field [70.15900280156262]
本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。
スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
論文 参考訳(メタデータ) (2023-12-14T07:19:31Z) - Toward deep-learning-assisted spectrally-resolved imaging of magnetic
noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。
これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文 参考訳(メタデータ) (2022-08-01T19:18:26Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳(メタデータ) (2022-06-29T19:03:10Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳(メタデータ) (2021-11-17T12:54:48Z) - Reduction in the complexity of 1D 1H-NMR spectra by the use of Frequency
to Information Transformation [0.4061135251278187]
周波数情報変換(FIT)を提示し、以前に使用した手法と比較する(SPUTNIK)。
同じ分子の異なるスペクトルは、言い換えれば、互いに似ているが、異なる分子のスペクトルは互いにより異なるように見える。
論文 参考訳(メタデータ) (2020-12-16T21:08:35Z) - Neural network-based on-chip spectroscopy using a scalable plasmonic
encoder [0.4397520291340694]
従来の分光計は、サイズ、コスト、信号対雑音比(SNR)、スペクトル分解能によって設定されるトレードオフによって制限される。
本稿では,小型で低コストなオンチップセンシング方式を用いて,深層学習に基づくスペクトル再構成フレームワークを実証する。
論文 参考訳(メタデータ) (2020-12-01T22:50:06Z) - Differentiable Programming for Hyperspectral Unmixing using a
Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。
畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。
結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文 参考訳(メタデータ) (2020-07-12T14:16:35Z) - Hyperspectral Infrared Microscopy With Visible Light [0.4893345190925178]
我々は、試料の赤外線スペクトルマップを可視光用に構築した既製部品を用いて取得する赤外線ハイパースペクトル顕微鏡の新しい手法を提案する。
この技術は、広い視野、高速な読み出しおよび無視可能な熱をサンプルに供給し、物質や生物学的応用に非常に関係している。
論文 参考訳(メタデータ) (2020-02-14T10:29:32Z)
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。