論文の概要: AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from
Sparse Data
- arxiv url: http://arxiv.org/abs/2101.08934v1
- Date: Fri, 22 Jan 2021 03:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 17:18:14.283743
- Title: AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from
Sparse Data
- Title(参考訳): AS-Net:スパースデータからの多機能融合による高速光音響再構成
- Authors: Mengjie Guo, Hengrong Lan, Changchun Yang, and Fei Gao
- Abstract要約: 光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。
本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。
次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
- 参考スコア(独自算出の注目度): 1.7237160821929758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photoacoustic (PA) imaging is a biomedical imaging modality capable of
acquiring high contrast images of optical absorption at depths much greater
than traditional optical imaging techniques. However, practical instrumentation
and geometry limit the number of available acoustic sensors surrounding the
imaging target, which results in sparsity of sensor data. Conventional PA image
reconstruction methods give severe artifacts when they are applied directly to
these sparse data. In this paper, we first employ a novel signal processing
method to make sparse PA raw data more suitable for the neural network, and
concurrently speeding up image reconstruction. Then we propose Attention
Steered Network (AS-Net) for PA reconstruction with multi-feature fusion.
AS-Net is validated on different datasets, including simulated photoacoustic
data from fundus vasculature phantoms and real data from in vivo fish and mice
imaging experiments. Notably, the method is also able to eliminate some
artifacts present in the ground-truth for in vivo data. Results demonstrated
that our method provides superior reconstructions at a faster speed.
- Abstract(参考訳): 光音響イメージング(英語: photoacoustic imaging)は、従来の光学イメージング技術よりもはるかに大きな深さで光吸収の高コントラスト画像を取得することができる生体医用イメージングモードである。
しかし、実用的な計測と幾何学は、撮像対象を取り囲む利用可能な音響センサの数を制限し、センサデータのスパース性が低下する。
従来のpa画像再構成手法は、これらのスパースデータに直接適用した場合に深刻なアーティファクトを与える。
本稿では,まず,スパースPA生データをニューラルネットワークに適合させ,画像再構成を同時に高速化する新しい信号処理手法を提案する。
次に,多機能融合を用いたpa再構成のための注意ステアリングネットワーク(as-net)を提案する。
AS-Netは、基底血管ファントムからの光音響データや、生体内魚とマウスのイメージング実験の実際のデータなど、さまざまなデータセットで検証されている。
特に、この方法は、生体データのために地中に存在するいくつかのアーティファクトを除去できる。
その結果,提案手法はより高速に再現できることを示した。
関連論文リスト
- Limited-View Photoacoustic Imaging Reconstruction Via High-quality Self-supervised Neural Representation [4.274771298029378]
HIgh-quality Self-supervised Neural representation (HIS) と呼ばれる自己教師ネットワークを導入する。
HISは、限られた視点で取得したセンサデータから高品質な光音響画像を再構成するために、光音響イメージングの逆問題に取り組む。
その結果,提案したHISモデルは,光音響画像再構成によく用いられる3つの手法と比較して,画質が優れていることがわかった。
論文 参考訳(メタデータ) (2024-07-04T06:07:54Z) - DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。
提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-04-19T09:52:32Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳(メタデータ) (2024-03-21T15:13:36Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-10-25T00:20:37Z) - A plug-and-play synthetic data deep learning for undersampled magnetic
resonance image reconstruction [15.780203168452443]
アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。
異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
論文 参考訳(メタデータ) (2023-09-13T02:37:19Z) - 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 Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳(メタデータ) (2021-11-08T02:05:58Z) - 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) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳(メタデータ) (2021-03-01T19:19:38Z) - 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。