論文の概要: Rapid tissue oxygenation mapping from snapshot structured-light images with adversarial deep learning

• arxiv url: http://arxiv.org/abs/2007.00760v1
• Date: Wed, 1 Jul 2020 21:14:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:03:08.059969
• Title: Rapid tissue oxygenation mapping from snapshot structured-light images with adversarial deep learning
• Title（参考訳）: 逆深層学習を用いたスナップショット構造光画像からの高速組織酸素マッピング
• Authors: Mason T. Chen and Nicholas J. Durr
• Abstract要約: OxyGANは、単一構造光画像から直接組織酸素化を推定する内容認識法である。 交叉型OxyGANは、ヒトの足でテストした場合、96.5%の精度で組織酸素化をマッピングする。 OxyGANは、多くの臨床応用に有用なリアルタイム、高忠実な組織酸素マッピングを可能にする可能性がある。
• 参考スコア（独自算出の注目度）: 5.214866856754944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial frequency domain imaging (SFDI) is a powerful technique for mapping tissue oxygen saturation over a wide field of view. However, current SFDI methods either require a sequence of several images with different illumination patterns or, in the case of single snapshot optical properties (SSOP), introduce artifacts and sacrifice accuracy. To avoid this tradeoff, we introduce OxyGAN: a data-driven, content-aware method to estimate tissue oxygenation directly from single structured light images using end-to-end generative adversarial networks. Conventional SFDI is used to obtain ground truth tissue oxygenation maps for ex vivo human esophagi, in vivo hands and feet, and an in vivo pig colon sample under 659 nm and 851 nm sinusoidal illumination. We benchmark OxyGAN by comparing to SSOP and to a two-step hybrid technique that uses a previously-developed deep learning model to predict optical properties followed by a physical model to calculate tissue oxygenation. When tested on human feet, a cross-validated OxyGAN maps tissue oxygenation with an accuracy of 96.5%. When applied to sample types not included in the training set, such as human hands and pig colon, OxyGAN achieves a 93.0% accuracy, demonstrating robustness to various tissue types. On average, OxyGAN outperforms SSOP and a hybrid model in estimating tissue oxygenation by 24.9% and 24.7%, respectively. Lastly, we optimize OxyGAN inference so that oxygenation maps are computed ~10 times faster than previous work, enabling video-rate, 25Hz imaging. Due to its rapid acquisition and processing speed, OxyGAN has the potential to enable real-time, high-fidelity tissue oxygenation mapping that may be useful for many clinical applications.
• Abstract（参考訳）: 空間周波数領域イメージング(SFDI)は、組織酸素飽和度を広い視野にマッピングする強力な技術である。 しかし、現在のsfdi法は、異なる照明パターンを持つ複数の画像のシーケンスを必要とするか、単一スナップショット光学特性(ssop)の場合、アーティファクトと犠牲精度をもたらす。 このトレードオフを回避するために、エンド・ツー・エンドのジェネレーティブな敵ネットワークを用いて、単一の構造化光画像から直接組織酸素化を推定するデータ駆動型コンテンツ認識手法であるoxyganを紹介する。 従来のsfdiは、in vivoのヒトエソファジ、in vivoの手で、そしてin vivoのブタの大腸サンプルの659 nmと851 nmの正弦波照明のための基底真理組織酸素化マップを得るのに使用される。 オキシガンをssopと比較し,従来開発してきた深層学習モデルを用いて光学特性を予測し,物理モデルを用いて組織酸素化を計算した2段階ハイブリッド手法と比較した。 ヒトの足で検査すると、OxyGANは96.5%の精度で組織酸素化をマッピングする。 人間の手やブタの大腸などトレーニングセットに含まれないサンプルタイプに適用すると、OxyGANは93.0%の精度で、様々な組織タイプに対して堅牢性を示す。 OxyGAN は平均して SSOP とハイブリッドモデルでそれぞれ 24.9% と 24.7% を推定している。 最後に、OxyGAN推論を最適化し、酸素化マップを従来よりも約10倍高速に計算し、ビデオレート、25Hzイメージングを可能にする。 迅速な取得と処理速度のため、OxyGANはリアルタイムで高忠実な組織酸素マッピングを可能にする可能性があり、多くの臨床応用に有用である。

関連論文リスト

• HC$^3$L-Diff: Hybrid conditional latent diffusion with high frequency enhancement for CBCT-to-CT synthesis [10.699377597641137]
  本稿では,CBCT-to-CT合成のための新しい条件付き潜時拡散モデルを提案する。 我々はUnified Feature (UFE) を用いて画像を低次元の潜在空間に圧縮する。 本手法は, CBCT-to-CTの高精細合成を患者1人当たり2分以上で効率よく行うことができる。
  論文  参考訳（メタデータ） (2024-11-03T14:00:12Z)
• Fundus image enhancement through direct diffusion bridges [44.31666331817371]
  直接拡散ブリッジに基づく基礎画像強調手法であるFD3を提案する。 まず, 眼科医による人体フィードバックループによる合成前方モデルを提案する。 我々は,スタンドアローン手法として非常に有効である,堅牢で柔軟な拡散に基づく画像強調ネットワークを訓練する。
  論文  参考訳（メタデータ） (2024-09-19T00:26:14Z)
• FCDM: Sparse-view Sinogram Inpainting with Frequency Domain Convolution Enhanced Diffusion Models [14.043383277622874]
  シングラムデータに適した新しい拡散型塗布フレームワークを提案する。 FCDMは既存の手法よりも優れており、SSIMが0.95以上、PSNRが30dB以上、SSIMが33%、PSNRが29%である。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Rapid hyperspectral photothermal mid-infrared spectroscopic imaging from sparse data for gynecologic cancer tissue subtyping [3.550171634694342]
  ミドル赤外線(Mid-Infrared、MIR)は、ラベルなし、生化学的に定量的な技術である。 この研究は、MIR光熱画像への新しいアプローチを示し、その速度を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-02-28T00:57:35Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19 [1.1139113832077312]
  COVIDLiteは、CLAHE(Contrast Limited Adaptive Histogram Equalization)とDSCNN(Deep-wise Separable Convolutional Neural Network)を組み合わせたホワイトバランスである。 提案したCOVIDLite法は,前処理のないバニラDSCNNと比較して性能が向上した。 提案手法は,2進分類では99.58%,多進分類では96.43%,最先端手法では96.43%であった。
  論文  参考訳（メタデータ） (2020-06-19T02:30:34Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images [2.21653002719733]
  本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。 13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。 結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
  論文  参考訳（メタデータ） (2020-04-12T23:26:56Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。