論文の概要: Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography
- arxiv url: http://arxiv.org/abs/2111.05194v1
- Date: Mon, 8 Nov 2021 02:05:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 16:04:09.026793
- Title: Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography
- Title（参考訳）: 光音響CTのための深層学習適応加速法
- Authors: Hengrong Lan, Jiali Gong, and Fei Gao
- Abstract要約: 光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
- 参考スコア（独自算出の注目度）: 1.8830359888767887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photoacoustic imaging (PAI) is a non-invasive imaging modality that detects
the ultrasound signal generated from tissue with light excitation.
Photoacoustic computed tomography (PACT) uses unfocused large-area light to
illuminate the target with ultrasound transducer array for PA signal detection.
Limited-view issue could cause a low-quality image in PACT due to the
limitation of geometric condition. The model-based method is used to resolve
this problem, which contains different regularization. To adapt fast and
high-quality reconstruction of limited-view PA data, in this paper, a
model-based method that combines the mathematical variational model with deep
learning is proposed to speed up and regularize the unrolled procedure of
reconstruction. A deep neural network is designed to adapt the step of the
gradient updated term of data consistency in the gradient descent procedure,
which can obtain a high-quality PA image only with a few iterations. Note that
all parameters and priors are automatically learned during the offline training
stage. In experiments, we show that this method outperforms the other methods
with half-view (180 degrees) simulation and real data. The comparison of
different model-based methods show that our proposed scheme has superior
performances (over 0.05 for SSIM) with same iteration (3 times) steps.
Furthermore, an unseen data is used to validate the generalization of different
methods. Finally, we find that our method obtains superior results (0.94 value
of SSIM for in vivo) with a high robustness and accelerated reconstruction.
- Abstract（参考訳）: 光音響イメージング(PAI)は、組織から発生する超音波信号を光励起で検出する非侵襲的な画像モダリティである。
光音響ct(pact)は非集光大面積光を用いて、pa信号検出のための超音波トランスデューサアレイでターゲットを照らしている。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
モデルに基づく手法は、正規化の異なるこの問題を解決するために用いられる。
本稿では,限定ビューPAデータの高速かつ高品質な再構成を実現するために,数学的変動モデルと深層学習を組み合わせたモデルベース手法を提案する。
ディープニューラルネットワークは、勾配降下手順におけるデータ一貫性の勾配更新期間のステップを適応するように設計されており、数回のイテレーションで高品質なpa画像を得ることができる。
すべてのパラメータと事前は、オフラインのトレーニング段階で自動的に学習される。
実験では,この手法が他の手法よりも半視野(180度)シミュレーションと実データで優れていることを示す。
異なるモデルベース手法の比較により,提案手法は同一の反復(3回)ステップで優れた性能(SSIMは0.05以上)を示す。
さらに、異なる手法の一般化を検証するために、目に見えないデータを用いる。
最後に,本手法はより優れた結果(in vivoでは0.94値のSSIM)を得られ,高いロバスト性および高速な再構成が得られた。
関連論文リスト
- Neural Fields for Adaptive Photoacoustic Computed Tomography [5.561325645559409]
従来のPACT画像再構成アルゴリズムは、組織内の異種音速(SOS)による波面歪みに悩まされる。
NF-APACTは、ニューラルネットワークを利用した効率的な自己教師型フレームワークであり、正確で堅牢なマルチチャネルデコンボリューションを実現するためのSOSを推定する。
本手法は,SOSの収差を既存手法よりも高速かつ高精度に除去する。
論文 参考訳（メタデータ） (2024-09-17T04:11:20Z) - Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models [3.3463490716514177]
高フレームレート超音波イメージングは、高フレームレートイメージングを可能にする最先端技術である。
高フレームレート超音波イメージングにかかわる課題の1つは、それらにかかわる高ノイズが、より広範に採用を妨げていることである。
提案手法は,平面波画像の画質向上を目的としている。
具体的には、低角と高角複合平面波の区別をノイズとみなす。
さらに,本手法では,生成した画像の強度マップとして自然画像分割マスクを用い,解剖学的形状の精度向上を図る。
論文 参考訳（メタデータ） (2024-08-20T16:31:31Z) - SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
拡散モデルに基づく超解像(SR)法は有望な結果を示す。
しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。
本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2023-11-23T16:21:29Z) - Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。
新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。
増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
論文 参考訳（メタデータ） (2023-08-10T12:53:30Z) - 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) - A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot
Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。
本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-12T03:29:14Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Compressed Sensing for Photoacoustic Computed Tomography Using an
Untrained Neural Network [1.7237160821929758]
光音響(PA)CT(PACT)は様々な臨床応用において大きな可能性を秘めている。
測定されたチャンネルの数を減らしたり、検出されたビューを制限すると、アーティファクトやサイドローブが画像を汚染する可能性がある。
本稿では,未学習ニューラルネットワークを用いたPACTの圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2021-05-29T09:01:58Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Phase Retrieval with Holography and Untrained Priors: Tackling the
Challenges of Low-Photon Nanoscale Imaging [7.984370990908576]
位相探索は、マグニチュードのみのフーリエ測定から信号を回復する逆問題である。
ナノスケールの課題に適応したホログラフィック位相検索のためのデータセットフリーなディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-14T10:15:07Z)
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。