論文の概要: Memory Efficient Invertible Neural Networks for 3D Photoacoustic Imaging
- arxiv url: http://arxiv.org/abs/2204.11850v1
- Date: Sun, 24 Apr 2022 18:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 05:19:33.973303
- Title: Memory Efficient Invertible Neural Networks for 3D Photoacoustic Imaging
- Title（参考訳）: 3次元光音響イメージングのためのメモリ効率の高いインバータブルニューラルネットワーク
- Authors: Rafael Orozco, Mathias Louboutin and Felix J. Herrmann
- Abstract要約: 光音響イメージング(PAI)は、臨床的関心の高解像度構造を画像化することができる。
反復的物理モデルに基づくアプローチは、アーティファクトを減らすが、PDE解決に時間を要する。
本稿では、インバータブルニューラルネットワーク(INN)を用いてメモリ圧力を軽減することを提案する。
- 参考スコア（独自算出の注目度）: 1.0312968200748118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Photoacoustic imaging (PAI) can image high-resolution structures of clinical
interest such as vascularity in cancerous tumor monitoring. When imaging human
subjects, geometric restrictions force limited-view data retrieval causing
imaging artifacts. Iterative physical model based approaches reduce artifacts
but require prohibitively time consuming PDE solves. Machine learning (ML) has
accelerated PAI by combining physical models and learned networks. However, the
depth and overall power of ML methods is limited by memory intensive training.
We propose using invertible neural networks (INNs) to alleviate memory
pressure. We demonstrate INNs can image 3D photoacoustic volumes in the setting
of limited-view, noisy, and subsampled data. The frugal constant memory usage
of INNs enables us to train an arbitrary depth of learned layers on a consumer
GPU with 16GB RAM.
- Abstract（参考訳）: 光音響イメージング(PAI)は、癌腫瘍モニタリングにおける血管性などの臨床的関心の高解像度構造を画像化することができる。
人体をイメージングするとき、幾何学的制約は、画像アーティファクトを引き起こす限定ビューデータ検索を強制する。
反復的物理モデルに基づくアプローチは、アーティファクトを減少させるが、PDE解決に時間を要する。
機械学習(ML)は物理モデルと学習ネットワークを組み合わせることでPAIを加速した。
しかし、ML手法の深さと全体的なパワーは、メモリ集中トレーニングによって制限される。
本稿では、インバータブルニューラルネットワーク(INN)を用いてメモリ圧力を軽減することを提案する。
INNは、限られたビュー、ノイズ、サブサンプルデータの設定で3D光音響ボリュームを画像化することができる。
INNのフラジカルメモリ使用量により、16GBのRAMを持つコンシューマGPU上で学習層を任意の深さでトレーニングすることができる。
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) - μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。
3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。
本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T15:29:08Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images [0.0]
医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
論文 参考訳（メタデータ） (2023-11-13T13:20:54Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - 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) - CAN3D: Fast 3D Medical Image Segmentation via Compact Context
Aggregation [6.188937569449575]
本稿では,メモリフットプリントの浅いコンパクト畳み込みニューラルネットワークを提案する。
提案するネットワークは,パッチを必要とせず,大規模な3次元入力ボリュームを直接処理することでデータの整合性を維持することができる。
論文 参考訳（メタデータ） (2021-09-12T06:27:59Z) - Blind microscopy image denoising with a deep residual and multiscale
encoder/decoder network [0.0]
深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。
提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
論文 参考訳（メタデータ） (2021-05-01T14:54:57Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳（メタデータ） (2021-04-04T20:30:14Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z)
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。