論文の概要: Reconstructing undersampled photoacoustic microscopy images using deep learning

• arxiv url: http://arxiv.org/abs/2006.00251v1
• Date: Sat, 30 May 2020 12:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:51:17.640711
• Title: Reconstructing undersampled photoacoustic microscopy images using deep learning
• Title（参考訳）: 深層学習によるアンサンプ光音響顕微鏡画像の再構成
• Authors: Anthony DiSpirito III, Daiwei Li, Tri Vu, Maomao Chen, Dong Zhang, Jianwen Luo, Roarke Horstmeyer, and Junjie Yao
• Abstract要約: アンサンプされたPAM画像の再構成にディープラーニングの原理を応用した新しい手法を提案する。 この結果から,PAM画像の再現性能は,元のピクセルの2%に満たないという結果が得られた。
• 参考スコア（独自算出の注目度）: 11.74890470096844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One primary technical challenge in photoacoustic microscopy (PAM) is the necessary compromise between spatial resolution and imaging speed. In this study, we propose a novel application of deep learning principles to reconstruct undersampled PAM images and transcend the trade-off between spatial resolution and imaging speed. We compared various convolutional neural network (CNN) architectures, and selected a fully dense U-net (FD U-net) model that produced the best results. To mimic various undersampling conditions in practice, we artificially downsampled fully-sampled PAM images of mouse brain vasculature at different ratios. This allowed us to not only definitively establish the ground truth, but also train and test our deep learning model at various imaging conditions. Our results and numerical analysis have collectively demonstrated the robust performance of our model to reconstruct PAM images with as few as 2% of the original pixels, which may effectively shorten the imaging time without substantially sacrificing the image quality.
• Abstract（参考訳）: 光音響顕微鏡(PAM)の主な技術的課題は、空間分解能と撮像速度の妥協である。 本研究では,pam画像の再構成と空間分解能と画像速度のトレードオフを超越する深層学習原理の新たな応用を提案する。 様々な畳み込みニューラルネットワーク(cnn)アーキテクチャを比較し、最も優れた結果を生み出す完全密集型u-net(fd u-net)モデルを選択した。 種々のアンダーサンプリング条件を再現するために,マウス脳血管の完全サンプリングされたPAM画像を異なる比率で人工的にダウンサンプリングした。 これにより、基底的真実を確定的に確立するだけでなく、さまざまな撮像条件下でディープラーニングモデルをトレーニングし、テストすることが可能になる。 結果と数値解析により,PAM画像の再現性能は元のピクセルの2%に留まり,画像品質を著しく損なうことなく撮影時間を効果的に短縮できることを示した。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• Speeding up Photoacoustic Imaging using Diffusion Models [0.0]
  光音響顕微鏡(PAM)は、光学的および音響的イメージングを統合し、組織内の光学吸収成分を検出するための浸透深度を向上させる。 レーザーパルス繰り返し速度による速度制限により、計算手法の潜在的な役割は、PAMイメージングの加速において強調される。 PAM画像の高速化に拡散モデルを用いた,新しい高適応DiffPamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:34:27Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Self-similarity-based super-resolution of photoacoustic angiography from hand-drawn doodles [9.646172419644088]
  光音響血管造影(PAA)は、血管イメージをアンダーサンプル画像から復元し、疾患の診断を容易にする強力なツールである。 鍛造されたPAA画像で訓練した超高分解能PAA法を用いる新しい手法を提案する。 我々のアプローチは、視覚タスクのためのゼロショット学習ニューラルネットワークを探索する有望な可能性を示している。
  論文  参考訳（メタデータ） (2023-05-02T02:40:47Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep image prior for undersampling high-speed photoacoustic microscopy [14.15152499875691]
  光音響顕微鏡 (PAM) は光と音を組み合わせた新しいイメージング法である。 高速PAM技術は、広い視野での撮像速度を高めるために空間サンプリング密度(アンダーサンプリング)を犠牲にすることが多い。 アンダーサンプされたPAM画像の画質を向上させるために、ディープ・イメージ・プレロード(DIP)を提案する。
  論文  参考訳（メタデータ） (2020-10-15T15:46:19Z)
• Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
  単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。 本手法では, 回折光学素子 (DOE) を用いる。 DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
  論文  参考訳（メタデータ） (2020-09-01T14:19:35Z)
• Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging [0.9786690381850356]
  光音響顕微鏡(PAM)は近年,バイオメディカルイメージング技術として期待されている。 サンプリング密度の低減は、画像品質の犠牲となる画像取得時間を自然に短縮することができる。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたスパースPAM画像の品質向上手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T05:49:32Z)

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。