Fugu-MT 論文翻訳(概要): Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction

論文の概要: Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction

arxiv url: http://arxiv.org/abs/2104.03130v1
Date: Wed, 7 Apr 2021 14:01:48 GMT
ステータス: 処理完了
システム内更新日: 2021-04-08 12:57:09.386378
Title: Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction
Title（参考訳）: Dense Dilated UNet:3D光音響トモグラフィ画像再構成のためのディープラーニング
Authors: Steven Guan, Ko-Tsung Hsu, Matthias Eyassu, and Parag V. Chitnis
Abstract要約: 3次元光音響トモグラフィ(PAT)における人工物補正のための改良畳み込みニューラルネットワーク (CNN) アーキテクチャ Dense Dilation UNet (DD-UNET) を提案する。 FD-UNet (Fully Dense UNet) のマルチスケール構造類似度指標で測定した画像品質の観点から,提案したCNNを比較した。その結果、DD-NetはFD-UNetを一貫して上回り、より小さな画像の特徴をより確実に再構築できることを示した。
参考スコア（独自算出の注目度）: 1.5749416770494706
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In photoacoustic tomography (PAT), the acoustic pressure waves produced by optical excitation are measured by an array of detectors and used to reconstruct an image. Sparse spatial sampling and limited-view detection are two common challenges faced in PAT. Reconstructing from incomplete data using standard methods results in severe streaking artifacts and blurring. We propose a modified convolutional neural network (CNN) architecture termed Dense Dilation UNet (DD-UNet) for correcting artifacts in 3D PAT. The DD-Net leverages the benefits of dense connectivity and dilated convolutions to improve CNN performance. We compare the proposed CNN in terms of image quality as measured by the multiscale structural similarity index metric to the Fully Dense UNet (FD-UNet). Results demonstrate that the DD-Net consistently outperforms the FD-UNet and is able to more reliably reconstruct smaller image features.
Abstract（参考訳）: 光音響トモグラフィ(PAT)では、光励起によって発生する音波は検出器の配列によって測定され、画像の再構成に用いられる。スパース空間サンプリングとリミテッドビュー検出は、PATで直面する2つの一般的な課題である。標準手法による不完全なデータからの再構築は、厳しいストレッチアーティファクトとぼやけをもたらす。本稿では,Dense Dilation UNet (DD-UNet) と呼ばれるCNNアーキテクチャを改良し,3D PATのアーティファクトを補正する手法を提案する。 DD-Netは、CNNの性能を改善するために、高密度接続と拡張畳み込みの利点を利用する。マルチスケール構造類似度指標によって測定された画像品質から,提案したCNNとFD-UNetを比較した。その結果、DD-NetはFD-UNetを一貫して上回り、より小さな画像の特徴をより確実に再構築できることを示した。

関連論文リスト

StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
論文参考訳（メタデータ） (2024-08-05T10:32:06Z)
PruNeRF: Segment-Centric Dataset Pruning via 3D Spatial Consistency [33.68948881727943]
PruNeRFは3次元空間整合性によるセグメント中心のデータセットプルーニングフレームワークである。ベンチマークデータセットを用いた実験により、PruNeRFは邪魔者に対するロバスト性において、最先端の手法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2024-06-02T16:49:05Z)
Depth Map Denoising Network and Lightweight Fusion Network for Enhanced 3D Face Recognition [61.27785140017464]
本稿では,ノイズを低減するために,DIIF(Denoising Implicit Image Function)に基づくDMDNet(Depth Map Denoising Network)を提案する。さらに,光深度と標準核融合ネットワーク(LDNFNet)と呼ばれる強力な認識ネットワークを設計し,異なるモード間の特徴と相補的特徴を学習する。
論文参考訳（メタデータ） (2024-01-01T10:46:42Z)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文参考訳（メタデータ） (2023-03-22T18:59:48Z)
DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-05-25T17:13:45Z)
Efficient and Accurate Hyperspectral Pansharpening Using 3D VolumeNet and 2.5D Texture Transfer [13.854539265252201]
本稿では,従来提案されていた3次元CNNモデルVolumeNetと2.5Dテクスチャ転送を組み合わせた新しいマルチスペクトル画像融合法を提案する。実験の結果,提案手法は客観的精度評価,手法効率,視覚的主観的評価において,既存手法よりも優れていた。
論文参考訳（メタデータ） (2022-03-08T09:24:12Z)
Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
そこで本研究では,深度推定のためのドメイン適応手法を提案する。提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
論文参考訳（メタデータ） (2021-09-24T08:11:34Z)
A modular U-Net for automated segmentation of X-ray tomography images in composite materials [0.0]
ディープラーニングは、物質科学の応用を含む多くの画像処理タスクで成功している。本稿では, 3相ガラス繊維強化ポリアミド66の3次元トモグラフィー画像の分割を行うために, UNetのモジュラー解釈を提案し, 訓練した。注釈付き層は10層に過ぎず, 浅いU-Netを使用すれば, より深い層よりも優れた結果が得られることが観察された。
論文参考訳（メタデータ） (2021-07-15T17:15:24Z)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。