論文の概要: MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN
- arxiv url: http://arxiv.org/abs/2102.07911v1
- Date: Tue, 16 Feb 2021 01:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 15:04:56.606026
- Title: MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN
- Title(参考訳): MITNet:複雑なCNNに基づくGAN強化磁気誘導トモグラフィ
- Authors: Zuohui Chen, Qing Yuan, Xujie Song, Cheng Chen, Dan Zhang, Yun Xiang,
Ruigang Liu, and Qi Xuan
- Abstract要約: 本論文では, 複合畳み込みニューラルネットワーク(CNN)を基盤として, MITNet と名付けた, ジェネレーション・アドバーサリ・ネットワーク (GAN) 強化 MIT 手法を提案する。
実世界のデータセットによる実験結果から,最先端の手法を25.27%上回る性能が得られた。
- 参考スコア(独自算出の注目度): 4.053866599861625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic induction tomography (MIT) is an efficient solution for long-term
brain disease monitoring, which focuses on reconstructing bio-impedance
distribution inside the human brain using non-intrusive electromagnetic fields.
However, high-quality brain image reconstruction remains challenging since
reconstructing images from the measured weak signals is a highly non-linear and
ill-conditioned problem. In this work, we propose a generative adversarial
network (GAN) enhanced MIT technique, named MITNet, based on a complex
convolutional neural network (CNN). The experimental results on the real-world
dataset validate the performance of our technique, which outperforms the
state-of-art method by 25.27%.
- Abstract(参考訳): 磁気誘導トモグラフィ(MIT)は、非侵襲的な電磁場を用いたヒト脳内の生体インピーダンス分布の再構築に焦点を当てた長期脳疾患モニタリングのための効率的なソリューションです。
しかし、計測された弱信号からの画像再構成は高度に非線形で不調な問題であるため、高品質な脳画像再構成は依然として困難である。
本研究では,複合畳み込みニューラルネットワーク(CNN)を基盤として,GAN(ジェネレーション・アドバーサリ・ネットワーク)強化MIT技術であるMITNet(MITNet)を提案する。
実世界のデータセットによる実験結果から,最先端の手法を25.27%上回る性能が得られた。
関連論文リスト
- Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。
本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。
適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
論文 参考訳(メタデータ) (2024-02-16T17:03:08Z) - Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳(メタデータ) (2023-11-06T03:16:18Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳(メタデータ) (2022-09-27T16:32:11Z) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳(メタデータ) (2022-06-15T03:42:18Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - 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) - DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal
Artifact Reduction [15.225899631788973]
金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。
CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。
MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
論文 参考訳(メタデータ) (2021-02-16T08:09:16Z) - Enhanced MRI Reconstruction Network using Neural Architecture Search [22.735244777008422]
残差基本ブロックを用いたMRI再構成ネットワークを提案する。
基本ブロック内の各セルに対して、差別化可能なニューラルアーキテクチャサーチ(NAS)技術を用いて、最適な操作を自動的に選択する。
この新しい異種ネットワークは2つの公開データセットで評価され、現在の最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-08-19T03:44:31Z)
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。