論文の概要: The applicability of transperceptual and deep learning approaches to the study and mimicry of complex cartilaginous tissues

• arxiv url: http://arxiv.org/abs/2211.14314v1
• Date: Mon, 21 Nov 2022 08:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 13:59:52.682360
• Title: The applicability of transperceptual and deep learning approaches to the study and mimicry of complex cartilaginous tissues
• Title（参考訳）: 複雑な軟骨組織の研究と模倣に対する経知覚的および深層学習的アプローチの適用性
• Authors: J. Waghorne, C. Howard, H. Hu, J. Pang, W.J. Peveler, L. Harris, O. Barrera
• Abstract要約: 複雑な軟組織、例えば膝半月板は、移動と関節の健康において重要な役割を担っている。 組織を設計するためには、組織の内部構造を理解して複製する必要がある。 私たちは、ネイティブなアーキテクチャを模倣する人工アーキテクチャを生成するために、オーディオと視覚を組み合わせたアプローチ、いわゆるトランスパーセプティカル(transperceptual)を探求します。
• 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: Complex soft tissues, for example the knee meniscus, play a crucial role in mobility and joint health, but when damaged are incredibly difficult to repair and replace. This is due to their highly hierarchical and porous nature which in turn leads to their unique mechanical properties. In order to design tissue substitutes, the internal architecture of the native tissue needs to be understood and replicated. Here we explore a combined audio-visual approach - so called transperceptual - to generate artificial architectures mimicking the native ones. The proposed method uses both traditional imagery, and sound generated from each image as a method of rapidly comparing and contrasting the porosity and pore size within the samples. We have trained and tested a generative adversarial network (GAN) on the 2D image stacks. The impact of the training set of images on the similarity of the artificial to the original dataset was assessed by analyzing two samples. The first consisting of n=478 pairs of audio and image files for which the images were downsampled to 64 $\times$ 64 pixels, the second one consisting of n=7640 pairs of audio and image files for which the full resolution 256 $\times$ 256 pixels is retained but each image is divided into 16 squares to maintain the limit of 64 $\times$ 64 pixels required by the GAN. We reconstruct the 2D stacks of artificially generated datasets into 3D objects and run image analysis algorithms to characterize statistically the architectural parameters - pore size, tortuosity and pore connectivity - and compare them with the original dataset. Results show that the artificially generated dataset that undergoes downsampling performs better in terms of parameter matching. Our audiovisual approach has the potential to be extended to larger data sets to explore both how similarities and differences can be audibly recognized across multiple samples.
• Abstract（参考訳）: 複雑な軟組織、例えば膝半月板は移動性や関節の健康に重要な役割を果たすが、損傷すると修復や置換が極めて困難である。 これは、その高度に階層的で多孔質な性質が、その独特の機械的性質をもたらすためである。 組織置換体を設計するためには、ネイティブ組織の内部構造を理解し、複製する必要がある。 ここでは、transperceptualと呼ばれるオーディオと視覚を組み合わせたアプローチを検討し、ネイティブアーキテクチャを模倣した人工アーキテクチャを生成する。 提案手法では,従来の画像と各画像から発生する音の両方を,サンプル内の孔径と孔径を高速に比較・比較する方法として用いた。 我々は2d画像スタック上でgan(generative adversarial network)を訓練しテストした。 人工データセットとオリジナルデータセットの類似性に及ぼす画像の訓練セットの影響を2つのサンプル分析により評価した。 画像が64$\times$64ピクセルにダウンサンプリングされた n=478 対のオーディオファイルと画像ファイルからなる第1号機は、全解像度 256$\times$256ピクセルが保持される n=7640 対のオーディオファイルと画像ファイルからなる第2号機は、GANが要求する64$\times$64ピクセルの限界を維持するために16平方秒に分割される。 人工的に生成されたデータセットの2dスタックを3dオブジェクトに再構成し、画像解析アルゴリズムを実行し、アーキテクチャパラメータ(細孔サイズ、tortuosity、細孔接続)を統計的に特徴付け、元のデータセットと比較する。 その結果、ダウンサンプリングを行う人工的なデータセットはパラメータマッチングの点で優れていることがわかった。 当社のオーディオビジュアルアプローチは,複数のサンプル間での類似性と差異を可聴的に認識する方法について検討するために,より大きなデータセットに拡張する可能性を秘めています。

関連論文リスト

• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Between Generating Noise and Generating Images: Noise in the Correct Frequency Improves the Quality of Synthetic Histopathology Images for Digital Pathology [0.0]
  合成画像は、既存のデータセットを拡張し、AIアルゴリズムを改善し、検証する。 意味マスクに適切な空間周波数でランダムな単一画素ノイズを導入することで,合成画像の品質が劇的に向上することを示す。 我々の研究は、制限のないデータセットに対する需要に基づいて合成データを生成するためのシンプルで強力なアプローチを示唆している。
  論文  参考訳（メタデータ） (2023-02-13T17:49:24Z)
• Representation Learning for Non-Melanoma Skin Cancer using a Latent Autoencoder [0.0]
  生成学習は、表現学習の強力なツールであり、バイオメディカルイメージングにおける問題に対する特定の約束を示す。 生成モデルからイメージを忠実に再構築することは依然として困難であり、特に組織学的画像と同じくらい複雑である。 本研究では,非メラノーマ皮膚癌の実際の画像のエンコードとデコードを改善するために,既存の2つの方法(オートエンコーダと潜在オートエンコーダ)を組み合わせる。
  論文  参考訳（メタデータ） (2022-09-05T06:24:58Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• An unsupervised deep learning framework for medical image denoising [0.0]
  本稿では,利用可能な画像からノイズ特性を学習する非監視医療画像消音技術について紹介する。 ノイズを直接学習するノイズと残留学習(RL)を間接的に学習する2ブロックのデータ処理、viz.、パッチベースの辞書で構成されている。 MRI/CTデータセットの実験はGPUベースのスーパーコンピュータ上で行われ、比較結果は、提案アルゴリズムが画像の臨界情報を保存し、画像の視覚的品質を向上することを示している。
  論文  参考訳（メタデータ） (2021-03-11T10:03:02Z)
• MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
  近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。 多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。 合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
  論文  参考訳（メタデータ） (2021-03-04T12:45:23Z)
• Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration [0.0]
  深層学習に基づく画像登録における入力画像対間の強度分布の影響について検討する。 構造的類似性に基づく損失をトレーニングしたディープラーニングモデルは、両方のデータセットでよりよく機能しているようだ。
  論文  参考訳（メタデータ） (2020-09-21T17:49:03Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• Image Quality Assessment: Unifying Structure and Texture Similarity [38.05659069533254]
  テクスチャリサンプリングに対する耐性を明示した,最初のフル参照画像品質モデルを開発した。 畳み込みニューラルネットワークを用いて、画像をオーバーコンプリート表現に変換するインジェクティブで微分可能な関数を構築する。
  論文  参考訳（メタデータ） (2020-04-16T16:11:46Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。