論文の概要: Deep Learning Segmentation of Complex Features in Atomic-Resolution Phase Contrast Transmission Electron Microscopy Images

• arxiv url: http://arxiv.org/abs/2012.05322v1
• Date: Wed, 9 Dec 2020 21:17:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 04:50:09.100203
• Title: Deep Learning Segmentation of Complex Features in Atomic-Resolution Phase Contrast Transmission Electron Microscopy Images
• Title（参考訳）: 原子分解相コントラスト透過電子顕微鏡像における複雑な特徴の深層学習分割
• Authors: Robbie Sadre, Colin Ophus, Anstasiia Butko, and Gunther H Weber
• Abstract要約: 従来の画像処理ツールを用いた位相コントラストTEM研究のための完全自動解析ルーチンの開発は困難です。 グラフェンの大きなサンプル領域の自動分析には、興味のある構造と望ましくない構造の間のセグメンテーションが鍵となる。 深層学習法は, より汎用的で, より簡単に適用でき, 従来のアルゴリズムよりも精度が高く, 頑健な結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.8049701904919516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phase contrast transmission electron microscopy (TEM) is a powerful tool for imaging the local atomic structure of materials. TEM has been used heavily in studies of defect structures of 2D materials such as monolayer graphene due to its high dose efficiency. However, phase contrast imaging can produce complex nonlinear contrast, even for weakly-scattering samples. It is therefore difficult to develop fully-automated analysis routines for phase contrast TEM studies using conventional image processing tools. For automated analysis of large sample regions of graphene, one of the key problems is segmentation between the structure of interest and unwanted structures such as surface contaminant layers. In this study, we compare the performance of a conventional Bragg filtering method to a deep learning routine based on the U-Net architecture. We show that the deep learning method is more general, simpler to apply in practice, and produces more accurate and robust results than the conventional algorithm. We provide easily-adaptable source code for all results in this paper, and discuss potential applications for deep learning in fully-automated TEM image analysis.
• Abstract（参考訳）: 位相コントラスト透過電子顕微鏡(TEM)は材料の局所原子構造をイメージングするための強力なツールである。 TEMは、高線量効率のため単層グラフェンのような2次元材料の欠陥構造の研究に広く用いられている。 しかし、位相コントラストイメージングは弱い散乱サンプルであっても複雑な非線形コントラストを生成することができる。 したがって、従来の画像処理ツールを用いて位相コントラストTEM研究のための完全自動解析ルーチンを開発することは困難である。 グラフェンの大規模な試料領域の自動解析には、関心の構造と表面汚染層のような望ましくない構造との間のセグメンテーションが問題となる。 本研究では,従来のブラッグフィルタ法の性能を,U-Netアーキテクチャに基づくディープラーニングルーチンと比較する。 深層学習法は, より汎用的で, より簡単に適用でき, 従来のアルゴリズムよりも精度が高く, 頑健な結果が得られることを示す。 本稿では,全結果に適応可能なソースコードを提供し,完全自動TEM画像解析における深層学習の可能性について論じる。

関連論文リスト

• Deep learning assisted high resolution microscopy image processing for phase segmentation in functional composite materials [8.01747783558987]
  本研究は、トレーニングされたU-Netセグメンテーションモデルを用いて、生高分解能電子顕微鏡(TEM)画像から成分と位相セグメンテーションを検出する新しいワークフローを提案する。 開発したモデルでは、成分の検出と位相セグメンテーションの迅速化が可能であり、広範囲なTEM画像の精査に伴う時間的・認知的要求を低減できる。
  論文  参考訳（メタデータ） (2024-10-02T18:22:04Z)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• PyNanospacing: TEM image processing tool for strain analysis and visualization [0.0]
  本稿では,幅広い材料を扱えるTEM画像処理のためのPythonコードを開発する。 平面間隔の局所的な差異を輪郭写像に変換し、格子拡大と圧縮の視覚的表現を可能にする。 ツールは非常に汎用的で、TEM画像を用いて材料特性を分析するのに大いに役立ちます。
  論文  参考訳（メタデータ） (2023-11-27T12:08:46Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Multi defect detection and analysis of electron microscopy images with deep learning [5.3265578744942585]
  深層学習に基づく高速R-CNN解析システムでは,比較的小さなトレーニングデータセットを用いた人間解析に匹敵する性能を示す。 本研究は、深層学習を応用し、自動顕微鏡データ解析の開発を支援する有望な能力を示す。
  論文  参考訳（メタデータ） (2021-08-19T19:16:24Z)
• 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)
• Automated segmentation of microtomography imaging of Egyptian mummies [3.8328962782003964]
  機械学習モデルをチューニング・訓練するために,手作業で分割したサンプルを用いて画像を自動的にセグメンテーションするツールを開発した。 古代エジプトの動物のミイラの4つの標本では、手作業で分割したスライスと比較すると、全体的な精度は94-98%に達する。 セグメント化されたアウトプットを定性的に分析した結果,ディープラーニングのユーザビリティの面では,これらのテクニックの利用を正当化する結果が得られた。
  論文  参考訳（メタデータ） (2021-05-14T09:56:13Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• 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。