論文の概要: Holographic image reconstruction with phase recovery and autofocusing
using recurrent neural networks
- arxiv url: http://arxiv.org/abs/2102.12281v1
- Date: Fri, 12 Feb 2021 01:51:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:38:23.081193
- Title: Holographic image reconstruction with phase recovery and autofocusing
using recurrent neural networks
- Title(参考訳): リカレントニューラルネットワークを用いた位相回復とオートフォーカスによるホログラフィック画像再構成
- Authors: Luzhe Huang, Tairan Liu, Xilin Yang, Yi Luo, Yair Rivenson, Aydogan
Ozcan
- Abstract要約: デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。
ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。
ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
- 参考スコア(独自算出の注目度): 8.040329271747753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital holography is one of the most widely used label-free microscopy
techniques in biomedical imaging. Recovery of the missing phase information of
a hologram is an important step in holographic image reconstruction. Here we
demonstrate a convolutional recurrent neural network (RNN) based phase recovery
approach that uses multiple holograms, captured at different sample-to-sensor
distances to rapidly reconstruct the phase and amplitude information of a
sample, while also performing autofocusing through the same network. We
demonstrated the success of this deep learning-enabled holography method by
imaging microscopic features of human tissue samples and Papanicolaou (Pap)
smears. These results constitute the first demonstration of the use of
recurrent neural networks for holographic imaging and phase recovery, and
compared with existing methods, the presented approach improves the
reconstructed image quality, while also increasing the depth-of-field and
inference speed.
- Abstract(参考訳): デジタルホログラフィーは、バイオメディカルイメージングにおいて最も広く使われているラベルなし顕微鏡技術の1つである。
ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。
本稿では,複数のホログラムを用いた畳み込み型リカレントニューラルネットワーク(rnn)に基づく位相復元手法を提案する。
深層学習型ホログラフィー法は,ヒト組織試料およびパパニコラオ(Pap)スミアの顕微鏡的特徴を画像化することにより,その成功を実証した。
これらの結果は, ホログラフィ画像と位相復元のための再帰的ニューラルネットワークを用いた最初の実証であり, 既存の手法と比較して, 再構成された画像品質を改善しつつ, 視野深度と推定速度も向上した。
関連論文リスト
- OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。
我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。
この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
論文 参考訳(メタデータ) (2024-10-17T14:25:18Z) - Single-shot reconstruction of three-dimensional morphology of biological cells in digital holographic microscopy using a physics-driven neural network [6.49455647840014]
再構成3次元形態の単一ショットのための新しい深層学習モデルMorpHoloNetを提案する。
MorpHoloNetは、センサ面上の模擬ホログラムと入力ホログラムの間の損失を最小限にすることで最適化される。
単発ホログラムから3次元複素光場と試験試料の3次元形態を直接再構成することができる。
論文 参考訳(メタデータ) (2024-09-30T07:15:36Z) - 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) - eFIN: Enhanced Fourier Imager Network for generalizable autofocusing and
pixel super-resolution in holographic imaging [0.30586855806896046]
深層ニューラルネットワーク「拡張フーリエイメージネットワーク(eFIN)」を画素超解像と画像オートフォーカスによるホログラム再構成のためのフレームワークとして導入する。
eFINは画像再構成の質が優れており、トレーニング段階では見られない新しいタイプのサンプルに対して外部の一般化を示す。
eFINは3xピクセル超解像度イメージングを可能にし、再構成画像の空間帯域幅積をほぼ性能損失なく9倍に向上させる。
論文 参考訳(メタデータ) (2023-01-09T04:12:10Z) - 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) - Fourier Imager Network (FIN): A deep neural network for hologram
reconstruction with superior external generalization [0.30586855806896046]
本研究ではFIN(Fourier Imager Network)と呼ばれるディープラーニングフレームワークを導入し,新しいタイプのサンプルの生ホログラムからエンド・ツー・エンドの位相回復と画像再構成を行う。
FINは、新しいタイプのサンプルに対して優れた一般化を示すと同時に、画像の推論速度もはるかに高速である。
ヒトの肺組織サンプルを用いてFINを訓練し,ヒト前立腺,唾液腺組織およびパップスミア標本で盲目的に試験することにより,FINの性能を実験的に検証した。
論文 参考訳(メタデータ) (2022-04-22T06:56:24Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - 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) - 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) - 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) - Real-time sparse-sampled Ptychographic imaging through deep neural
networks [3.3351024234383946]
データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。
本稿では,深部畳み込みニューラルネットワークに基づく画像再構成問題の解法として,PtychoNNを提案する。
論文 参考訳(メタデータ) (2020-04-15T23:43:17Z)
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。