論文の概要: Deep learning based electrical noise removal enables high spectral optoacoustic contrast in deep tissue

• arxiv url: http://arxiv.org/abs/2102.12960v1
• Date: Wed, 24 Feb 2021 12:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-26 13:40:27.176903
• Title: Deep learning based electrical noise removal enables high spectral optoacoustic contrast in deep tissue
• Title（参考訳）: 深層組織における高スペクトル光音響コントラストを実現する深層学習型電気ノイズ除去法
• Authors: Christoph Dehner, Ivan Olefir, Kaushik Basak Chowdhury, Dominik J\"ustel, Vasilis Ntziachristos
• Abstract要約: 画像再構成前に光音響信号から電気ノイズを分離するための識別深層学習(DL)手法を開発する。 19%高い血管コントラストと2cm以上の深さでの局在スペクトルコントラストに達する形態学的およびスペクトル光音響画像の有意な増強を示す。
• 参考スコア（独自算出の注目度）: 7.335728344657089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image contrast in multispectral optoacoustic tomography (MSOT) can be severely reduced by electrical noise and interference in the acquired optoacoustic signals. Signal processing techniques have proven insufficient to remove the effects of electrical noise because they typically rely on simplified models and fail to capture complex characteristics of signal and noise. Moreover, they often involve time-consuming processing steps that are unsuited for real-time imaging applications. In this work, we develop and demonstrate a discriminative deep learning (DL) approach to separate electrical noise from optoacoustic signals prior to image reconstruction. The proposed DL algorithm is based on two key features. First, it learns spatiotemporal correlations in both noise and signal by using the entire optoacoustic sinogram as input. Second, it employs training based on a large dataset of experimentally acquired pure noise and synthetic optoacoustic signals. We validated the ability of the trained model to accurately remove electrical noise on synthetic data and on optoacoustic images of a phantom and the human breast. We demonstrate significant enhancements of morphological and spectral optoacoustic images reaching 19% higher blood vessel contrast and localized spectral contrast at depths of more than 2 cm for images acquired in vivo. We discuss how the proposed denoising framework is applicable to clinical multispectral optoacoustic tomography and suitable for real-time operation.
• Abstract（参考訳）: マルチスペクトル光音響トモグラフィ(MSOT)における画像コントラストは、取得した光音響信号の電気ノイズと干渉により著しく低減できる。 信号処理技術は、単純なモデルに依存し、信号と雑音の複雑な特性を捉えることができないため、電気ノイズの影響を取り除くには不十分であることが証明されている。 さらに、リアルタイムイメージングアプリケーションには適さない時間を要する処理ステップもしばしば含まれる。 本研究では,画像再構成に先立って光音響信号から電気ノイズを分離するための識別的深層学習(DL)手法を開発し,実演する。 提案するDLアルゴリズムは2つの重要な特徴に基づいている。 まず、オプトアコースティックシンドグラム全体を入力として使用し、ノイズと信号の両方の時空間相関を学習します。 第二に、実験的に得られた純粋雑音と合成光音響信号の大規模なデータセットに基づいてトレーニングを行う。 人工的なデータとファントムと人間の乳房の光音響画像の電気的ノイズを正確に除去する訓練を受けたモデルの能力を検証する。 形態的およびスペクトル的視音響的画像は血管造影率19%に達し,in vivoで取得した画像では2cm以上の深さで局所的スペクトルコントラストが得られた。 提案手法を臨床用マルチスペクトル光音響トモグラフィに適用し, 実時間操作に適しているか検討した。

関連論文リスト

• Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
  本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。 我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
  論文  参考訳（メタデータ） (2024-03-22T16:10:38Z)
• 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)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Real-Time Model-Based Quantitative Ultrasound and Radar [65.268245109828]
  本稿では,波動伝搬の物理モデルに基づくニューラルネットワークを提案し,受信信号と物理特性の関係を定義した。 我々のネットワークは、複雑で現実的なシナリオのために、1秒未満で複数の物理的特性を再構築することができる。
  論文  参考訳（メタデータ） (2024-02-16T09:09:16Z)
• A multi-artifact EEG denoising by frequency-based deep learning [5.231056284485742]
  我々は周波数領域で動作する新しい脳波復調モデルを開発し、ノイズスペクトルの特徴に関する事前知識を活用している。 EEGdenoiseNetデータセットの性能評価は、提案モデルが時間およびスペクトルの指標に応じて最適な結果を得ることを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:01:47Z)
• 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)
• De-Noising of Photoacoustic Microscopy Images by Deep Learning [0.9786690381850356]
  光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。 そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-01-12T05:13:57Z)
• Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning [7.61850613267116]
  Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。 Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
  論文  参考訳（メタデータ） (2020-11-06T14:31:08Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)

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。