Fugu-MT 論文翻訳(概要): Deep Learning Enables Robust and Precise Light Focusing on Treatment Needs

論文の概要: Deep Learning Enables Robust and Precise Light Focusing on Treatment Needs

arxiv url: http://arxiv.org/abs/2008.06975v1
Date: Sun, 16 Aug 2020 19:01:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 12:07:13.611459
Title: Deep Learning Enables Robust and Precise Light Focusing on Treatment Needs
Title（参考訳）: 深層学習は、治療ニーズに着目したロバストで精密な光を可能にする
Authors: Changchun Yang, Hengrong Lan, and Fei Gao
Abstract要約: 散乱を克服する深い不均一組織を通して光を集光する方法は、医学領域における聖杯である。深層学習を用いて,波面形状を用いた位相前補償のプロセスの学習と高速化を行う。
参考スコア（独自算出の注目度）: 2.8233507229238177
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: If light passes through the body tissues, focusing only on areas where treatment needs, such as tumors, will revolutionize many biomedical imaging and therapy technologies. So how to focus light through deep inhomogeneous tissues overcoming scattering is Holy Grail in biomedical areas. In this paper, we use deep learning to learn and accelerate the process of phase pre-compensation using wavefront shaping. We present an approach (LoftGAN, light only focuses on treatment needs) for learning the relationship between phase domain X and speckle domain Y . Our goal is not just to learn an inverse mapping F:Y->X such that we can know the corresponding X needed for imaging Y like most work, but also to make focusing that is susceptible to disturbances more robust and precise by ensuring that the phase obtained can be forward mapped back to speckle. So we introduce different constraints to enforce F(Y)=X and H(F(Y))=Y with the transmission mapping H:X->Y. Both simulation and physical experiments are performed to investigate the effects of light focusing to demonstrate the effectiveness of our method and comparative experiments prove the crucial improvement of robustness and precision. Codes are available at https://github.com/ChangchunYang/LoftGAN.
Abstract（参考訳）: 光が体組織を通り抜けると、腫瘍などの治療が必要な領域にのみ焦点を合わせ、多くのバイオメディカルイメージングと治療技術に革命をもたらす。では、散乱を克服する深い不均質な組織を通して光を集中させる方法は、生物医学領域では聖杯です。本稿では,ウェーブフロントシェーピングを用いた位相前補償の過程の学習と促進に深層学習を用いる。本稿では,位相領域xとスペックル領域yの関係を学ぶためのアプローチ(loftgan,light only focus on treatment needs)を提案する。我々のゴールは、画像Yの撮影に必要なXをほとんどの作業と同じように知ることができるような逆写像 F:Y->X を学ぶことだけでなく、得られた位相がスペックルに前方にマッピングできることを確実にすることで、乱の影響を受ける焦点をより堅牢かつ正確にすることである。そこで,F(Y)=X と H(F(Y))=Y を送信写像 H:X->Y で強制するために異なる制約を導入する。シミュレーションと物理実験をともに実施し,本手法の有効性を示すための光集光効果と,ロバスト性と精度の極めて重要な改善を実証する比較実験を行った。コードはhttps://github.com/ChangchunYang/LoftGANで公開されている。

関連論文リスト

Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models [2.0760654993698426]
TIE(Transport-of-Intensity Equation)はしばしば異なるデフォーカス距離で複数の取得を必要とする。そこで本研究では,クロマティック収差を用いて,必要なスルーフォーカス画像を単一露光で誘導する手法を提案する。我々の貢献は、色収差を利用した別のTIEアプローチを提供し、白色光による正確な単一露光位相測定を実現している。
論文参考訳（メタデータ） (2024-06-06T15:44:24Z)
Deep learning phase recovery: data-driven, physics-driven, or combining both? [9.61250192946006]
最も直接的な深層学習フェーズ回復戦略は、教師付き学習モードを持つデータ駆動型(DD)と、自己教師付き学習モードを持つ物理駆動型(PD)である。これら2つの深層学習位相回復戦略を,時間消費,精度,一般化能力,不適応性,事前能力の観点から比較した。本稿では,高頻度情報と低周波情報のバランスをとるために,データセットと物理を組み合わせた協調型(CD)戦略を提案する。
論文参考訳（メタデータ） (2024-04-01T11:42:43Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Defocus Blur Synthesis and Deblurring via Interpolation and Extrapolation in Latent Space [3.097163558730473]
我々は、線形性関係を強制するために暗黙的かつ明示的な正規化手法でオートエンコーダを訓練する。既存の作品と比較して、私たちは単純なアーキテクチャを使って、フレキシブルなボケレベルで画像を合成します。我々の正規化オートエンコーダは、データ拡張技術としてデータの多様性を増大させ、ぼかしやデブロを効果的に模倣することができる。
論文参考訳（メタデータ） (2023-07-28T10:27:28Z)
DRIMET: Deep Registration for 3D Incompressible Motion Estimation in Tagged-MRI with Application to the Tongue [11.485843032637439]
変形組織の詳細な動きを観察し定量化するために、タグ付き磁気共鳴イメージング(MRI)が何十年も使われてきた。本稿では, タグ付きMRIのための非教師付き位相ベース3次元動作推定手法を提案する。
論文参考訳（メタデータ） (2023-01-18T00:16:30Z)
Eulerian Phase-based Motion Magnification for High-Fidelity Vital Sign Estimation with Radar in Clinical Settings [4.337995322608567]
空間波長の異なる位相を増幅して動きを拡大するGaborフィルタを用いた複雑な分解法を開発した。提案手法は,臨床現場における従来の時間的FFT法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-03T20:52:31Z)
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)
Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文参考訳（メタデータ） (2022-07-18T23:07:53Z)
FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文参考訳（メタデータ） (2022-01-29T13:45:39Z)
A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文参考訳（メタデータ） (2021-05-18T10:15:17Z)
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)

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。