論文の概要: Subspace modeling for fast and high-sensitivity X-ray chemical imaging
- arxiv url: http://arxiv.org/abs/2201.00259v1
- Date: Sat, 1 Jan 2022 23:26:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 23:46:48.765507
- Title: Subspace modeling for fast and high-sensitivity X-ray chemical imaging
- Title(参考訳): 高速高感度x線化学イメージングのためのサブスペースモデリング
- Authors: Jizhou Li, Bin Chen, Guibin Zan, Guannan Qian, Piero Pianetta, Yijin
Liu
- Abstract要約: TXM-XANESイメージング技術は、マルチエネルギーのX線で一連の顕微鏡画像を取得して化学マップを得るという、新たなツールである。
高速かつ高感度なケミカルイメージングを実現するため,画像品質向上のためのシンプルで頑健なデノナイジング手法を提案する。
- 参考スコア(独自算出の注目度): 4.062272647963248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resolving morphological chemical phase transformations at the nanoscale is of
vital importance to many scientific and industrial applications across various
disciplines. The TXM-XANES imaging technique, by combining full field
transmission X-ray microscopy (TXM) and X-ray absorption near edge structure
(XANES), has been an emerging tool which operates by acquiring a series of
microscopy images with multi-energy X-rays and fitting to obtain the chemical
map. Its capability, however, is limited by the poor signal-to-noise ratios due
to the system errors and low exposure illuminations for fast acquisition. In
this work, by exploiting the intrinsic properties and subspace modeling of the
TXM-XANES imaging data, we introduce a simple and robust denoising approach to
improve the image quality, which enables fast and high-sensitivity chemical
imaging. Extensive experiments on both synthetic and real datasets demonstrate
the superior performance of the proposed method.
- Abstract(参考訳): ナノスケールで形態学的化学相転移を解決することは、様々な分野における多くの科学および産業応用にとって重要な意味を持つ。
TXM-XANESイメージング技術は、フルフィールド透過型X線顕微鏡(TXM)とX線吸収型エッジ構造(XANES)を組み合わせることで、マルチエネルギーのX線による一連の顕微鏡画像を取得して化学マップを得る新しいツールである。
しかし、その能力は、システムエラーと高速な取得のための低露光による信号対雑音比によって制限されている。
本稿では, txm-xanesイメージングデータの固有特性とサブスペースモデリングを活用し, 高速かつ高感度な化学画像化を可能にする画質向上のための簡易かつロバストな分別手法を提案する。
合成データと実データの両方に関する広範な実験は、提案手法の優れた性能を示している。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Augmenting x-ray single particle imaging reconstruction with
self-supervised machine learning [5.109422776828829]
粒子配向を復元し、回折画像のみから相互空間強度を推定するエンド・ツー・エンドの自己教師型機械学習手法を提案する。
提案手法は,従来のアルゴリズムと比較して,再現性を大幅に向上した実験条件下での強靭性を示す。
論文 参考訳(メタデータ) (2023-11-28T10:05:44Z) - Robust retrieval of material chemical states in X-ray microspectroscopy [10.621361408885765]
本稿では,X線顕微鏡のための新しいデータ定式化モデルを提案する。
我々のフレームワークは、複雑で不均一なサンプルの化学状態を、挑戦的な条件下であっても正確に識別し、特徴付けることができる。
論文 参考訳(メタデータ) (2023-08-08T12:17:02Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳(メタデータ) (2023-03-02T00:52:41Z) - Deep learning at the edge enables real-time streaming ptychographic
imaging [7.4083593332068975]
プチコグラフィーのようなコヒーレントな顕微鏡技術は、ナノスケールの材料特性に革命をもたらす可能性がある。
従来のアプローチでは、高速コヒーレントイメージング実験からサンプル画像をリアルタイムで回収するのに十分ではない。
ここでは、エッジでの人工知能と高性能コンピューティングを活用して、検出器から直接最大2kHzでストリーミングされるX線写真データのリアルタイムインバージョンを可能にするワークフローを実演する。
論文 参考訳(メタデータ) (2022-09-20T02:02:37Z) - Non-destructive X-ray imaging of patterned delta-layer devices in
silicon [0.0]
我々は、X線蛍光を利用して、シリコン中のAsドーパタンの元素特異的な画像を作成する。
次世代のシンクロトロン放射源とより高度な光学により、5nmの分解半径内で単一のドーパント原子のX線像を得ることが可能であると予測する。
論文 参考訳(メタデータ) (2022-08-19T14:49:54Z) - 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) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-03-15T23:07:56Z)
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。