論文の概要: Deep learning for biomedical photoacoustic imaging: A review

• arxiv url: http://arxiv.org/abs/2011.02744v1
• Date: Thu, 5 Nov 2020 10:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:34:37.727153
• Title: Deep learning for biomedical photoacoustic imaging: A review
• Title（参考訳）: バイオメディカルフォト音響イメージングのための深層学習
• Authors: Janek Gr\"ohl, Melanie Schellenberg, Kris Dreher, Lena Maier-Hein
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3234560001579256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photoacoustic imaging (PAI) is a promising emerging imaging modality that enables spatially resolved imaging of optical tissue properties up to several centimeters deep in tissue, creating the potential for numerous exciting clinical applications. However, extraction of relevant tissue parameters from the raw data requires the solving of inverse image reconstruction problems, which have proven extremely difficult to solve. The application of deep learning methods has recently exploded in popularity, leading to impressive successes in the context of medical imaging and also finding first use in the field of PAI. Deep learning methods possess unique advantages that can facilitate the clinical translation of PAI, such as extremely fast computation times and the fact that they can be adapted to any given problem. In this review, we examine the current state of the art regarding deep learning in PAI and identify potential directions of research that will help to reach the goal of clinical applicability
• Abstract（参考訳）: 光音響イメージング(英: Photoacoustic Imaging, PAI)は、組織深度数センチの光学組織特性を空間的に分解し、多くのエキサイティングな臨床応用の可能性を秘めている。 しかし, 生データから関連組織パラメータを抽出するには, 逆画像再構成問題を解く必要があり, 解決が極めて困難であることが判明した。 近年, 深層学習の応用が盛んになり, 医用画像の分野では目覚ましい成功を収め, PAIの分野でも初歩的な利用が見られた。 ディープラーニングの手法は、非常に高速な計算時間や、特定の問題に適応できるという事実など、paiの臨床的翻訳を容易にするユニークな利点を持っている。 本稿では,paiにおけるディープラーニング技術の現状について検討し,臨床応用可能性の目標を達成するための研究の方向性を明らかにする。

関連論文リスト

• Advances in Photoacoustic Imaging Reconstruction and Quantitative Analysis for Biomedical Applications [5.759580003300266]
  光音響イメージング(PAI)は、光学分解能と音響透過深さの利点を生かし、安全性の向上を図った革新的なバイオメディカルイメージングのモダリティである。 本稿では,光音響CT(PACT),光音響顕微鏡(PAM),光音響内視鏡(PAE)の3つの主要な実装を中心に,PAIの基礎原理を考察する。 PACT, PAM, PAEをまたいだ画像再構成・アーティファクト緩和のための従来の, あるいは深層学習(DL)手法の利用に関する最近の進歩を概説し, 画像品質の向上と画像プロセスの高速化に有意義な可能性を示唆している。
  論文  参考訳（メタデータ） (2024-11-05T06:31:48Z)
• Enhancing Retinal Disease Classification from OCTA Images via Active Learning Techniques [0.8035416719640156]
  高齢のアメリカ人では眼疾患が一般的であり、視力や視力の低下につながることがある。 光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)により、臨床医が網膜血管の高品質な画像を取得することができる画像技術の最近の進歩 OCTAは、一般的なOCT画像から得られる構造情報と比較して、詳細な血管画像を提供する。
  論文  参考訳（メタデータ） (2024-07-21T23:24:49Z)
• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• 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)
• Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
  我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
  論文  参考訳（メタデータ） (2021-11-01T15:31:32Z)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• 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)
• Deep Learning in Photoacoustic Tomography: Current approaches and future directions [2.631277214890658]
  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。
  論文  参考訳（メタデータ） (2020-09-16T11:33:29Z)

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。