論文の概要: Physical model simulator-trained neural network for computational 3D
phase imaging of multiple-scattering samples
- arxiv url: http://arxiv.org/abs/2103.15795v1
- Date: Mon, 29 Mar 2021 17:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 17:24:50.232056
- Title: Physical model simulator-trained neural network for computational 3D
phase imaging of multiple-scattering samples
- Title（参考訳）: 物理モデルシミュレータ学習ニューラルネットワークによる複数散乱試料の3次元位相イメージング
- Authors: Alex Matlock and Lei Tian
- Abstract要約: サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。
上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
- 参考スコア（独自算出の注目度）: 1.112751058850223
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recovering 3D phase features of complex, multiple-scattering biological
samples traditionally sacrifices computational efficiency and processing time
for physical model accuracy and reconstruction quality. This trade-off hinders
the rapid analysis of living, dynamic biological samples that are often of
greatest interest to biological research. Here, we overcome this bottleneck by
combining annular intensity diffraction tomography (aIDT) with an
approximant-guided deep learning framework. Using a novel physics model
simulator-based learning strategy trained entirely on natural image datasets,
we show our network can robustly reconstruct complex 3D biological samples of
arbitrary size and structure. This approach highlights that large-scale
multiple-scattering models can be leveraged in place of acquiring experimental
datasets for achieving highly generalizable deep learning models. We devise a
new model-based data normalization pre-processing procedure for homogenizing
the sample contrast and achieving uniform prediction quality regardless of
scattering strength. To achieve highly efficient training and prediction, we
implement a lightweight 2D network structure that utilizes a multi-channel
input for encoding the axial information. We demonstrate this framework's
capabilities on experimental measurements of epithelial buccal cells and
Caenorhabditis elegans worms. We highlight the robustness of this approach by
evaluating dynamic samples on a living worm video, and we emphasize our
approach's generalizability by recovering algae samples evaluated with
different experimental setups. To assess the prediction quality, we develop a
novel quantitative evaluation metric and show that our predictions are
consistent with our experimental measurements and multiple-scattering physics.
- Abstract（参考訳）: 複雑な多重散乱生物試料の3次元位相特性の復元は、伝統的に物理モデル精度と再構成品質の計算効率と処理時間を犠牲にしている。
このトレードオフは、しばしば生物研究に最も興味を持つ生物、動的生物学的サンプルの迅速な分析を妨げる。
本稿では,AIDT(Annular intensity diffraction tomography)と近似誘導ディープラーニングフレームワークを組み合わせることで,このボトルネックを克服する。
自然画像データセットに基づく新しい物理モデルに基づく学習戦略を用いて、ネットワークは任意の大きさと構造の複雑な3次元生物学的サンプルを頑健に再構築できることを示す。
このアプローチは、大規模なマルチ散乱モデルを実験データセットの取得の代わりに活用して、高度に一般化可能なディープラーニングモデルを実現することを強調している。
我々は,サンプルコントラストを均質化し,散乱強度に関係なく均一な予測品質を実現するためのモデルベースデータ正規化前処理手法を考案した。
高精度なトレーニングと予測を実現するために,アキシャル情報を符号化するためのマルチチャネル入力を利用する軽量な2次元ネットワーク構造を実装した。
上皮性真菌細胞および線虫Caenorhabditis elegans wormの実験的測定におけるこの枠組みの機能を示す。
我々は,生きたワームビデオ上で動的サンプルを評価することによって,このアプローチの堅牢性を強調し,異なる実験装置で評価された藻サンプルを回収することで,アプローチの一般化性を強調する。
予測精度を評価するため,新しい定量的評価尺度を開発し,実験値と複数散乱物理値とが一致していることを示す。
関連論文リスト
- Modeling Multi-Step Scientific Processes with Graph Transformer Networks [0.0]
回帰タスクに対する幾何学習の有効性は線形モデルの集合に対してベンチマークされた。
グラフトランスフォーマーネットワークは、プロセスステップとシーケンス依存機能の間の隠れた相互作用を特徴とするシナリオにおいて、すべてのテストされた線形モデルを上回った。
論文 参考訳（メタデータ） (2024-08-10T04:03:51Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Micro-Macro Consistency in Multiscale Modeling: Score-Based Model
Assisted Sampling of Fast/Slow Dynamical Systems [0.0]
物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。
機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。
本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
論文 参考訳（メタデータ） (2023-12-10T00:46:37Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of
Training Data Diversity on Stability and Robustness [7.909848251752742]
共生画像に基づくデータ生成のトレーニングのための新しいシミュレーション手法を提案する。
異なるシミュレーションパラメータに対するトレーニングネットワークの感度について検討した。
実験の結果,データ集合を用いてトレーニングしたネットワークは,測定されたファントムデータだけでなく,ドメイン外のシミュレーションデータでもより安定であることがわかった。
論文 参考訳（メタデータ） (2022-02-01T11:09:35Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。