論文の概要: Investigating the robustness of a learning-based method for quantitative phase retrieval from propagation-based x-ray phase contrast measurements under laboratory conditions

• arxiv url: http://arxiv.org/abs/2211.01372v1
• Date: Wed, 2 Nov 2022 15:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 14:39:48.869601
• Title: Investigating the robustness of a learning-based method for quantitative phase retrieval from propagation-based x-ray phase contrast measurements under laboratory conditions
• Title（参考訳）: 伝播型x線位相コントラスト測定による実験条件下での学習に基づく定量的位相検索法のロバスト性の検討
• Authors: Rucha Deshpande, Ashish Avachat, Frank J. Brooks, Mark A. Anastasio
• Abstract要約: 本研究では、シミュレーションデータに基づいて訓練されたエンドツーエンドの学習に基づく定量的位相探索法を、実験的な伝搬に基づくX線位相コントラスト計測に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 8.238694906165453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative phase retrieval (QPR) in propagation-based x-ray phase contrast imaging of heterogeneous and structurally complicated objects is challenging under laboratory conditions due to partial spatial coherence and polychromaticity. A learning-based method (LBM) provides a non-linear approach to this problem while not being constrained by restrictive assumptions about object properties and beam coherence. In this work, a LBM was assessed for its applicability under practical scenarios by evaluating its robustness and generalizability under typical experimental variations. Towards this end, an end-to-end LBM was employed for QPR under laboratory conditions and its robustness was investigated across various system and object conditions. The robustness of the method was tested via varying propagation distances and its generalizability with respect to object structure and experimental data was also tested. Although the LBM was stable under the studied variations, its successful deployment was found to be affected by choices pertaining to data pre-processing, network training considerations and system modeling. To our knowledge, we demonstrated for the first time, the potential applicability of an end-to-end learning-based quantitative phase retrieval method, trained on simulated data, to experimental propagation-based x-ray phase contrast measurements acquired under laboratory conditions. We considered conditions of polychromaticity, partial spatial coherence, and high noise levels, typical to laboratory conditions. This work further explored the robustness of this method to practical variations in propagation distances and object structure with the goal of assessing its potential for experimental use. Such an exploration of any LBM (irrespective of its network architecture) before practical deployment provides an understanding of its potential behavior under experimental settings.
• Abstract（参考訳）: 伝搬型X線位相コントラストイメージングにおけるQPRの定量化は,空間コヒーレンスや多色性による実験条件下では困難である。 学習に基づく手法(LBM)は、物体の性質やビームコヒーレンスに関する制約的な仮定に制約されずに、この問題に対する非線形アプローチを提供する。 本研究は, 典型的な実験的変動下でのロバスト性と一般化性を評価することにより, 実用シナリオにおけるlbmの適用性を評価した。 この目的のために, 実験室条件下でのQPRにはエンドツーエンドのLBMを用い, 各種システムおよび対象条件に対して頑健性を検討した。 本手法のロバスト性についても, 伝搬距離の変動と, 物体構造に対する一般化性, 実験データを用いて検証した。 lbmは検討されたバリエーションの下で安定していたが、その展開の成功はデータの前処理、ネットワークトレーニングの考慮、システムモデリングに関する選択に影響された。 本研究の知見として,シミュレーションデータに基づくエンドツーエンド学習に基づく定量的位相検索法を実験環境下でのx線位相コントラスト測定実験に適用する可能性を示した。 実験室では,多色度,部分空間コヒーレンス,高騒音の条件について検討した。 本研究は, 伝播距離と物体構造の実用的変化に対するロバスト性をさらに探究し, 実験的利用の可能性を評価することを目的とした。 このような(ネットワークアーキテクチャによらず)lbmの実用的展開前にの探索は、実験的な環境での潜在的な挙動の理解をもたらす。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective [0.32634122554913997]
  大規模言語モデル(LLM)は、人間の振る舞いをシミュレートする驚くべき可能性を実証している。 本研究は,プロンプトに含まれる治療の変動が,不特定要因の変動を引き起こすことを示した。 この内在性問題を他の文脈に一般化する理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-24T16:32:35Z)
• Conditional Kernel Imitation Learning for Continuous State Environments [9.750698192309978]
  条件付きカーネル密度推定に基づく新しい模倣学習フレームワークを提案する。 我々は、多くの最先端ILアルゴリズムよりも一貫して優れた経験的性能を示す。
  論文  参考訳（メタデータ） (2023-08-24T05:26:42Z)
• Causal Inference under Data Restrictions [0.0]
  この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。 これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
  論文  参考訳（メタデータ） (2023-01-20T20:14:32Z)
• Robustness in Fatigue Strength Estimation [61.85933973929947]
  本稿では,疲労強度推定のためのモジュール型機械学習によるアプローチについて検討する。 その可能性が高いにもかかわらず、現実の研究室に新しいアプローチを配置するには、理論的な定義とシミュレーション以上のものが必要である。 我々は、その適用性と最先端手法に対する有利な振る舞いを特定し、コストのかかる実験の数を減少させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-02T12:30:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Experimental certification of nonclassicality via phase-space inequalities [58.720142291102135]
  本稿では,最近導入された非古典性証明のための位相空間不等式の最初の実験的実装について述べる。 光の雑音と損失量子状態の族における非古典性を研究することによって、このアプローチの実用性と感度を実証する。
  論文  参考訳（メタデータ） (2020-10-01T09:03:52Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)

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。