Fugu-MT 論文翻訳(概要): CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

論文の概要: CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

arxiv url: http://arxiv.org/abs/2209.03737v1
Date: Wed, 7 Sep 2022 13:08:38 GMT
ステータス: 処理完了
システム内更新日: 2022-09-09 12:24:30.267152
Title: CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs
Title（参考訳）: CGAN-ECT: CGANを用いた電気容量測定による画像再構成
Authors: Wael Deabes and Alaa E. Abdel-Hakim
Abstract要約: 本稿では,コンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)モデルを提案する。 CGAN-ECTは99.3%以上の平均画像相関係数を達成し、平均相対画像誤差は0.07である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the rapid growth of Electrical Capacitance Tomography (ECT) applications in several industrial fields, there is a crucial need for developing high quality, yet fast, methodologies of image reconstruction from raw capacitance measurements. Deep learning, as an effective non-linear mapping tool for complicated functions, has been going viral in many fields including electrical tomography. In this paper, we propose a Conditional Generative Adversarial Network (CGAN) model for reconstructing ECT images from capacitance measurements. The initial image of the CGAN model is constructed from the capacitance measurement. To our knowledge, this is the first time to represent the capacitance measurements in an image form. We have created a new massive ECT dataset of 320K synthetic image measurements pairs for training, and testing the proposed model. The feasibility and generalization ability of the proposed CGAN-ECT model are evaluated using testing dataset, contaminated data and flow patterns that are not exposed to the model during the training phase. The evaluation results prove that the proposed CGAN-ECT model can efficiently create more accurate ECT images than traditional and other deep learning-based image reconstruction algorithms. CGAN-ECT achieved an average image correlation coefficient of more than 99.3% and an average relative image error about 0.07.
Abstract（参考訳）: 電気容量トモグラフィ (ect) の応用がいくつかの産業分野において急速に進展していることから, 生容量測定による高品位, 高速, 画像再構成手法の開発が不可欠である。複雑な機能のための効果的な非線形マッピングツールであるdeep learningは、電気トモグラフィを含む多くの分野でバイラルになっている。本稿では,キャパシタンス測定からECT画像の再構成を行う条件生成適応ネットワーク(CGAN)モデルを提案する。 CGANモデルの初期像は容量測定から構成される。私たちの知る限りでは、画像形式で容量の測定を表現するのはこれが初めてです。提案したモデルを用いて,320Kの合成画像計測ペアの大規模データセットを作成し,実験を行った。提案するcgan-ectモデルの実用性と一般化性は, テストデータセット, 汚染データ, およびトレーニング段階でモデルに露出しないフローパターンを用いて評価する。評価結果から,cgan-ectモデルは従来および他の深層学習に基づく画像再構成アルゴリズムよりも精度の高いect画像を生成することができることがわかった。 cgan-ectは平均画像相関係数99.3%、平均相対画像誤差0.07を達成した。

関連論文リスト

Imaging foundation model for universal enhancement of non-ideal measurement CT [23.678515579203694]
NICT(Non-ideal measured compute tomography)は、CT画像の新しい利点として最適な画像標準を犠牲にしている。画像基準の引き下げにより、画像の質も低下し、臨床受容性が制限された。画像品質の劣化を最小限のデータコストで橋渡しするマルチスケール統合トランスフォーマーAMP (TAMP) を提案する。
論文参考訳（メタデータ） (2024-10-02T14:25:02Z)
End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文参考訳（メタデータ） (2024-06-01T16:20:59Z)
MB-DECTNet: A Model-Based Unrolled Network for Accurate 3D DECT Reconstruction [8.142703665697098]
エンド・ツー・エンドでトレーニング可能な3次元再構成のための深層学習モデルに基づくアンロールネットワークを提案する。提案するネットワークは,多数の反復アルゴリズムと組み合わせることができるが,その性能を両エネルギー交互最小化(DEAM)を用いて実証する。定量的結果から,MB-DECTNetは従来の統計アルゴリズムよりも精度良く減衰係数を推定できるが,計算コストははるかに低い可能性が示唆された。
論文参考訳（メタデータ） (2023-02-01T16:51:56Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文参考訳（メタデータ） (2022-08-05T19:05:16Z)
Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems [79.58173794910631]
トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
論文参考訳（メタデータ） (2022-05-31T17:09:46Z)
3D helical CT Reconstruction with a Memory Efficient Learned Primal-Dual Architecture [1.3518297878940662]
本稿では、ドメイン適応型ニューラルネットワークアーキテクチャであるLearned Primal-Dual(LPD)を改良し、この環境での再構築に応用することができる。フルサイズの臨床データに非ロール型ディープラーニングアーキテクチャを適用したのはこれが初めてである。
論文参考訳（メタデータ） (2022-05-24T10:32:32Z)
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)
Spectral image clustering on dual-energy CT scans using functional regression mixtures [12.194046749285425]
デュアルエネルギーCT(Dual-Energy Computed Tomography、DECT)は、従来のCTスキャンでは不可能な材料特性評価が可能な高度なCTスキャン技術である。これにより、各3次元画像ボクセルにおけるエネルギー減衰曲線の再構成が可能になり、異なる有効エネルギーレベルでの様々な画像減衰を表す。
論文参考訳（メタデータ） (2022-01-31T18:04:43Z)
The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文参考訳（メタデータ） (2021-12-19T15:17:20Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。