論文の概要: High-throughput molecular imaging via deep learning enabled Raman spectroscopy

• arxiv url: http://arxiv.org/abs/2009.13318v1
• Date: Mon, 28 Sep 2020 13:40:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:44:16.101600
• Title: High-throughput molecular imaging via deep learning enabled Raman spectroscopy
• Title（参考訳）: ラマン分光法を応用した高出力分子イメージング
• Authors: Conor C. Horgan, Magnus Jensen, Anika Nagelkerke, Jean-Phillipe St-Pierre, Tom Vercauteren, Molly M. Stevens, Mads S. Bergholt
• Abstract要約: DeepeRは、ハイパースペクトルラマン画像の大規模なデータセットでトレーニングされており、合計で1.5万のスペクトル(400時間の取得)がある。 分子セル情報を保存する高スペクトルラマン画像の2-4倍高分解能超解像のためのニューラルネットワークを開発した。 最大160倍のRaman画像の高速化を実現し,高分解能,高信号-雑音比のセル画像化を1分以内で実現した。
• 参考スコア（独自算出の注目度）: 2.8143704258785687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Raman spectroscopy enables non-destructive, label-free imaging with unprecedented molecular contrast but is limited by slow data acquisition, largely preventing high-throughput imaging applications. Here, we present a comprehensive framework for higher-throughput molecular imaging via deep learning enabled Raman spectroscopy, termed DeepeR, trained on a large dataset of hyperspectral Raman images, with over 1.5 million spectra (400 hours of acquisition) in total. We firstly perform denoising and reconstruction of low signal-to-noise ratio Raman molecular signatures via deep learning, with a 9x improvement in mean squared error over state-of-the-art Raman filtering methods. Next, we develop a neural network for robust 2-4x super-resolution of hyperspectral Raman images that preserves molecular cellular information. Combining these approaches, we achieve Raman imaging speed-ups of up to 160x, enabling high resolution, high signal-to-noise ratio cellular imaging in under one minute. Finally, transfer learning is applied to extend DeepeR from cell to tissue-scale imaging. DeepeR provides a foundation that will enable a host of higher-throughput Raman spectroscopy and molecular imaging applications across biomedicine.
• Abstract（参考訳）: ラマン分光法は、前例のない分子コントラストを持つ非破壊的なラベルなしイメージングを可能にするが、低速なデータ取得によって制限される。 本稿では,超スペクトルラマン画像の大規模データセット上で,150万以上のスペクトル(取得時間400時間)を持つラーマン分光法を用いて,ディープラーニングによる高スループット分子イメージングのための包括的枠組みを提案する。 まず,低信号対雑音比ラマン分子シグネチャを深層学習により同定・再構成し,最先端ラマンフィルタ法と比較して平均2乗誤差を9倍改善した。 次に,分子セル情報を保存する超スペクトルラマン画像のロバスト2-4x超解像のためのニューラルネットワークを開発した。 これらの手法を組み合わせることで,ラマン撮像速度を160倍まで向上させ,高分解能・高信号対雑音比セルイメージングを1分以内で実現する。 最後に、DeepeRを細胞から組織スケールイメージングに拡張するために転写学習を適用する。 DeepeRは、バイオメディシン全体にわたる高出力ラマン分光と分子イメージングアプリケーションをホストできる基盤を提供する。

関連論文リスト

• Deep Learning Enables Large Depth-of-Field Images for Sub-Diffraction-Limit Scanning Superlens Microscopy [16.152554659134246]
  深層学習を用いて、光学超解像(OSR)画像と走査電子顕微鏡領域画像とのマッピング関係を得る。 提案手法は, チップレベルの欠陥検出, 生物学的試料分析, 法医学, その他の様々な分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-27T09:16:56Z)
• mHealth hyperspectral learning for instantaneous spatiospectral imaging of hemodynamics [0.2638512174804417]
  ハイパースペクトル学習は、写真は単なる写真ではなく、詳細なスペクトル情報を含むという考えを生かしている。 ハイパースペクトルデータの小さなサンプリングにより、スペクトル情報による学習により、RGB画像からハイパーキューブを復元することができる。 ハイパースペクトル学習は、科学的分光計の高スペクトル分解能に匹敵する、ハイパーキューブの完全な分光分解能を回復することができる。
  論文  参考訳（メタデータ） (2023-03-27T15:12:10Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Fluctuation-based deconvolution in fluorescence microscopy using plug-and-play denoisers [2.236663830879273]
  蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。 この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
  論文  参考訳（メタデータ） (2023-03-20T15:43:52Z)
• 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)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• 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。