論文の概要: Deep Learning in Photoacoustic Tomography: Current approaches and future directions

• arxiv url: http://arxiv.org/abs/2009.07608v1
• Date: Wed, 16 Sep 2020 11:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 23:45:30.040073
• Title: Deep Learning in Photoacoustic Tomography: Current approaches and future directions
• Title（参考訳）: 光音響トモグラフィにおける深層学習 : 現状と今後の方向性
• Authors: Andreas Hauptmann and Ben Cox
• Abstract要約: 光音響トモグラフィーは、光吸収に基づく高解像度3次元軟組織像を提供することができる。 高速画像形成の必要性とデータ取得の実践的制約が新たなイメージ再構築の課題を呈している。 ディープ・ラーニング(ディープ・ニューラルネットワーク)やディープ・ニューラル・ネットワーク(ディープ・ニューラル・ネットワーク)がこの問題に多くの注目を集めている。
• 参考スコア（独自算出の注目度）: 2.631277214890658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical photoacoustic tomography, which can provide high resolution 3D soft tissue images based on the optical absorption, has advanced to the stage at which translation from the laboratory to clinical settings is becoming possible. The need for rapid image formation and the practical restrictions on data acquisition that arise from the constraints of a clinical workflow are presenting new image reconstruction challenges. There are many classical approaches to image reconstruction, but ameliorating the effects of incomplete or imperfect data through the incorporation of accurate priors is challenging and leads to slow algorithms. Recently, the application of Deep Learning, or deep neural networks, to this problem has received a great deal of attention. This paper reviews the literature on learned image reconstruction, summarising the current trends, and explains how these new approaches fit within, and to some extent have arisen from, a framework that encompasses classical reconstruction methods. In particular, it shows how these new techniques can be understood from a Bayesian perspective, providing useful insights. The paper also provides a concise tutorial demonstration of three prototypical approaches to learned image reconstruction. The code and data sets for these demonstrations are available to researchers. It is anticipated that it is in in vivo applications - where data may be sparse, fast imaging critical and priors difficult to construct by hand - that Deep Learning will have the most impact. With this in mind, the paper concludes with some indications of possible future research directions.
• Abstract（参考訳）: 光吸収に基づく高分解能3次元軟組織像を提供するバイオメディカル・フォト音響トモグラフィは, 実験室から臨床現場への翻訳が可能となる段階に進んだ。 早期画像形成の必要性と臨床ワークフローの制約から生じるデータ取得の実践的制約が,新たな画像再構成課題を呈している。 画像再構成には多くの古典的なアプローチがあるが、正確な事前化によって不完全または不完全なデータの効果を改善することは困難であり、アルゴリズムが遅くなる。 近年、ディープラーニング(Deep Learning)やディープニューラルネットワーク(Deep Neural Network)のこの問題への応用に大きな注目を集めている。 本稿では,学習画像再構成に関する文献を概観し,現在の傾向を概説するとともに,これらのアプローチが古典的再構築手法を包含する枠組みとして,どのように内部,あるいはある程度発生したかを説明する。 特に、これらの新しいテクニックがベイズの視点からどのように理解され、有益な洞察を提供するかを示している。 また,学習画像再構成のための3つの原型的アプローチの簡潔なチュートリアルも提供する。 これらのデモのためのコードとデータセットは研究者が利用できる。 データはスパースで、高速イメージングが重要で、手作業で構築するのが難しい、Deep Learningが最も影響を与える可能性がある、生体内アプリケーションである、と期待されている。 このことを念頭に置いて、論文は将来の研究の方向性を示唆する形で締めくくっている。

関連論文リスト

• 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)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction [13.44786774177579]
  超疎3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワークを構築した。 本研究は,3次元CT画像の高精細化を実現するために,既知の先行画像のシームレスな包摂が不可欠であることを実証する。
  論文  参考訳（メタデータ） (2021-05-25T06:20:03Z)
• Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future [0.0]
  本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。 また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
  論文  参考訳（メタデータ） (2021-03-27T19:05:11Z)
• Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs [8.736194193307451]
  自然画像の最近の知見は、深いニューラルモデルは、画像分類タスクを実行する際に、テクスチャバイアスを示す可能性があることを示唆している。 本研究の目的は, 深いセグメンテーションモデルの堅牢性と伝達性を高めるために, テクスチャバイアス現象に対処する方法を検討することである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:53Z)
• Retrospective Motion Correction of MR Images using Prior-Assisted Deep Learning [56.606579521437695]
  モーションアーティファクトはMRI画像を劣化させ、正確な診断に使用できないようにすることができる。 本研究は,画像先行として存在する付加情報を含めることで,既存のディープラーニングモデルの性能を向上させることを提案する。
  論文  参考訳（メタデータ） (2020-11-28T14:03:59Z)
• Deep learning for biomedical photoacoustic imaging: A review [0.3234560001579256]
  光音響イメージング(英: Photoacoustic Imaging, PAI)は、組織深度数センチまでの光学組織特性を空間的に分解した画像化を可能にする、将来性のある画像モダリティである。 生データから関連組織パラメータを抽出するには、逆画像再構成問題の解決が必要である。 深層学習法には、PAIの臨床翻訳を容易にするユニークな利点がある。
  論文  参考訳（メタデータ） (2020-11-05T10:33:51Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。