論文の概要: Neural network for estimation of optical characteristics of optically
active and turbid scattering media
- arxiv url: http://arxiv.org/abs/2011.06934v2
- Date: Wed, 25 Nov 2020 17:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 07:53:43.672368
- Title: Neural network for estimation of optical characteristics of optically
active and turbid scattering media
- Title（参考訳）: 光学活性および濁った散乱媒体の光学特性推定のためのニューラルネットワーク
- Authors: Ali Alavi
- Abstract要約: 医用画像における品質劣化の原因の1つは、濁った生体媒体である。
我々はモンテカルロシミュレーションとディープニューラルネットワークを組み合わせた新しいパイプラインを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One native source of quality deterioration in medical imaging, and especially
in our case optical coherence tomography (OCT), is the turbid biological media
in which photon does not take a predictable path and many scattering events
would influence the effective path length and change the polarization of
polarized light. This inherent problem would cause imaging errors even in the
case of high resolution of interferometric methods. To address this problem and
considering the inherent random nature of this problem, in the last decades
some methods including Monte Carlo simulation for OCT was proposed. In this
approach simulation would give us a one on one comparison of underlying
physical structure and its OCT imaging counterpart. Although its goal was to
give the practitioners a better understanding of underlying structure, it lacks
in providing a comprehensive approach to increase the accuracy and imaging
quality of OCT imaging and would only provide a set of examples on how imaging
method might falter. To mitigate this problem and to demonstrate a new approach
to improve the medical imaging without changing any hardware, we introduce a
new pipeline consisting of Monte Carlo simulation followed by a deep neural
network.
- Abstract（参考訳）: 医用画像における品質劣化の原因の1つとして,特に光コヒーレンストモグラフィ(OCT)は,光子が予測可能な経路を取らず,多くの散乱事象が有効経路長に影響を与え,偏光の偏光を変化させるような濁った生体媒体である。
この本質的な問題は、干渉法が高分解能であっても撮像誤差を引き起こす。
この問題に対処し、この問題の本質的なランダム性を考慮するために、過去数十年の間にOCTのモンテカルロシミュレーションを含むいくつかの手法が提案された。
このアプローチのシミュレーションでは、基礎となる物理的構造とoctイメージングとを1対1で比較できるでしょう。
その目的は、実践者に基盤構造をよりよく理解することであったが、OCT画像の精度と画像品質を高めるための包括的なアプローチを提供することに欠けており、イメージング手法がどう失敗するかの一連の例を提供するだけだった。
この問題を緩和し,ハードウェアを変更することなく医用画像を改善するための新しいアプローチを示すために,モンテカルロシミュレーションとディープニューラルネットワークを組み合わせた新しいパイプラインを導入する。
関連論文リスト
- Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。
提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。
提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
論文 参考訳（メタデータ） (2024-11-06T15:43:51Z) - 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) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Scatter Correction in X-ray CT by Physics-Inspired Deep Learning [26.549671705231145]
X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。
散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。
本研究では,PhILSCATとOV-PhILSCATの2種類の深層学習法を提案する。
論文 参考訳（メタデータ） (2021-03-21T22:51:20Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z) - A novel deep learning-based method for monochromatic image synthesis
from spectral CT using photon-counting detectors [7.190103828139802]
シングラム領域で動作する深層学習に基づく単色画像合成法を提案する。
本手法は,PCDを装着したコーンビームCT(CBCT)システムを用いて検討した。
論文 参考訳（メタデータ） (2020-07-20T03:44:57Z) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-06-23T18:45:55Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。