論文の概要: Physics-assisted Generative Adversarial Network for X-Ray Tomography
- arxiv url: http://arxiv.org/abs/2204.03703v1
- Date: Thu, 7 Apr 2022 19:21:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 22:36:28.319205
- Title: Physics-assisted Generative Adversarial Network for X-Ray Tomography
- Title（参考訳）: x線トモグラフィのための物理支援生成逆ネットワーク
- Authors: Zhen Guo, Jung Ki Song, George Barbastathis, Michael E. Glinsky,
Courtenay T. Vaughan, Kurt W. Larson, Bradley K. Alpert, and Zachary H.
Levine
- Abstract要約: 深層学習が トモグラフィーの再構築に 使われています。
本研究では,トモグラフィ再構成のための物理支援ジェネレーターネットワーク(PGAN)を開発した。
- 参考スコア（独自算出の注目度）: 2.589958357631341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: X-ray tomography is capable of imaging the interior of objects in three
dimensions non-invasively, with applications in biomedical imaging, materials
science, electronic inspection, and other fields. The reconstruction process
can be an ill-conditioned inverse problem, requiring regularization to obtain
satisfactory reconstructions. Recently, deep learning has been adopted for
tomographic reconstruction. Unlike iterative algorithms which require a
distribution that is known a priori, deep reconstruction networks can learn a
prior distribution through sampling the training distributions. In this work,
we develop a Physics-assisted Generative Adversarial Network (PGAN), a two-step
algorithm for tomographic reconstruction. In contrast to previous efforts, our
PGAN utilizes maximum-likelihood estimates derived from the measurements to
regularize the reconstruction with both known physics and the learned prior.
Synthetic objects with spatial correlations are integrated circuits (IC) from a
proposed model CircuitFaker. Compared with maximum-likelihood estimation, PGAN
can reduce the photon requirement with limited projection angles to achieve a
given error rate. We further attribute the improvement to the learned prior by
reconstructing objects created without spatial correlations. The advantages of
using a prior from deep learning in X-ray tomography may further enable
low-photon nanoscale imaging.
- Abstract（参考訳）: x線トモグラフィーは、生体イメージング、材料科学、電子検査、その他の分野で応用され、非侵襲的に物体の内部を3次元で撮影することができる。
再構成プロセスは不条件の逆問題であり、良好な再構築を得るためには正規化が必要である。
近年,深層学習がトモグラフィ再構成に採用されている。
事前分布を必要とする反復アルゴリズムとは異なり、深層再構成ネットワークはトレーニング分布をサンプリングすることで事前分布を学習することができる。
本研究では、トモグラフィ再構成のための2段階のアルゴリズムであるPGAN(Physical-assisted Generative Adversarial Network)を開発した。
これまでの取り組みとは対照的に,我々のPGANでは,測定結果から得られた最大様相推定値を用いて,既知物理と学習前の再現を規則化する。
空間相関を持つ合成オブジェクトは、提案したCircuitFakerから集積回路(IC)である。
最大類似度推定と比較すると、PGANは所定の誤差率を達成するために限られた射影角度で光子要求を減少させることができる。
さらに,空間的相関を伴わないオブジェクトを再構成することで,学習前の改善に寄与する。
X線トモグラフィーにおける深層学習の先行利用の利点は、さらに低光子ナノスケールイメージングを可能にする可能性がある。
関連論文リスト
- CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:38:30Z) - Tomographic Reconstruction and Regularisation with Search Space Expansion and Total Variation [0.0]
不完全なデータの処理は、患者が潜在的に放射線を損傷したり、長いスキャン時間に対処できない場合に重要である。
本稿では,画像空間内を粒子が移動し,再構成誤差を最小限に抑えるために,Swarmをベースとした再構成手法を提案する。
提案手法は, 標準的なトモグラフィ再構成ツールボックスアルゴリズムと比較して, 再現誤差が低いことを示す。
論文 参考訳（メタデータ） (2024-06-03T15:57:43Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - A Self-Supervised Approach to Reconstruction in Sparse X-Ray Computed
Tomography [1.0806206850043696]
この研究は、物理インフォームド変分オートエンコーダである自己教師付き確率的ディープラーニング技術を開発し、検証する。
ディープニューラルネットワークは、スパース2次元の投影測定を、既知の類似したオブジェクトのデータセットをトレーニングすることで3次元の再構成に変換するために使用されている。
高品質な再構成はディープラーニングなしでは生成できず、深層ニューラルネットワークは再構築なしでは学習できない。
論文 参考訳（メタデータ） (2022-10-30T02:33:45Z) - 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) - CNN-based regularisation for CT image reconstructions [0.0]
X線CTインフラ(X-ray Computed Tomography Infrastructures)は、被検物体を横断する光の取得に頼り、その強度低下を計測する医療画像モダリティである。
物理測定は数学的再構成アルゴリズムによって後処理され、より弱いか最上位の整合性を保証する。
深層学習法、特に完全畳み込みネットワークは広範囲に研究され、そのようなずれをフィルタリングするのに効率的であることが証明されている。
論文 参考訳（メタデータ） (2022-01-22T21:30:47Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Advantage of Machine Learning over Maximum Likelihood in Limited-Angle
Low-Photon X-Ray Tomography [0.0]
再建過程における事前分布を決定・適用するために,深層ニューラルネットワークを導入する。
私たちのニューラルネットワークは、合成トレーニングサンプルから直接、事前を学習します。
プロジェクション角と光子予算が限られている場合, 深部生成モデルによる先行モデルにより, IC再建の精度が劇的に向上することが実証された。
論文 参考訳（メタデータ） (2021-11-15T16:24:12Z) - A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D
Tomographic Image Reconstruction [13.44786774177579]
超疎3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワークを構築した。
本研究は,3次元CT画像の高精細化を実現するために,既知の先行画像のシームレスな包摂が不可欠であることを実証する。
論文 参考訳（メタデータ） (2021-05-25T06:20:03Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。