論文の概要: High-resolution tomographic reconstruction of optical absorbance through
scattering media using neural fields
- arxiv url: http://arxiv.org/abs/2304.01682v1
- Date: Tue, 4 Apr 2023 10:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:17:30.472931
- Title: High-resolution tomographic reconstruction of optical absorbance through
scattering media using neural fields
- Title(参考訳): ニューラルネットワークを用いた散乱媒体による光吸収の高分解能トモグラフィー再構成
- Authors: Wuwei Ren, Siyuan Shen, Linlin Li, Shengyu Gao, Yuehan Wang, Liangtao
Gu, Shiying Li, Xingjun Zhu, Jiahua Jiang, Jingyi Yu
- Abstract要約: ニューラルネットワーク(NF)に基づく新しいDOT方式であるNeuDOTを提案する。
NeuDOTは、サブミリメートルの側方分解能を達成し、14mmの深さで複雑な3Dオブジェクトを分解し、最先端の手法より優れている。
- 参考スコア(独自算出の注目度): 25.647287240640356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Light scattering imposes a major obstacle for imaging objects seated deeply
in turbid media, such as biological tissues and foggy air. Diffuse optical
tomography (DOT) tackles scattering by volumetrically recovering the optical
absorbance and has shown significance in medical imaging, remote sensing and
autonomous driving. A conventional DOT reconstruction paradigm necessitates
discretizing the object volume into voxels at a pre-determined resolution for
modelling diffuse light propagation and the resulting spatial resolution of the
reconstruction is generally limited. We propose NeuDOT, a novel DOT scheme
based on neural fields (NF) to continuously encode the optical absorbance
within the volume and subsequently bridge the gap between model accuracy and
high resolution. Comprehensive experiments demonstrate that NeuDOT achieves
submillimetre lateral resolution and resolves complex 3D objects at 14
mm-depth, outperforming the state-of-the-art methods. NeuDOT is a non-invasive,
high-resolution and computationally efficient tomographic method, and unlocks
further applications of NF involving light scattering.
- Abstract(参考訳): 光散乱は、生体組織や霧のような濁った媒体に深く収まる物体を撮像するのに大きな障害となる。
拡散光トモグラフィ(dut)は、光吸収率を容積的に回収することで散乱に取り組み、医用イメージング、リモートセンシング、自律運転において重要である。
従来のDOT再構成パラダイムでは、拡散光伝搬をモデル化するための事前に決定された解像度で、オブジェクトの体積をボクセルに分解する必要がある。
ニューラルネットワーク(NF)をベースとした新しいDOT方式であるNeuDOTを提案し,音量内での光吸収を連続的に符号化し,モデル精度と高分解能のギャップを埋める。
総合的な実験により、NeuDOTはサブミリメートルの側方分解能を達成し、14mmの深さで複雑な3Dオブジェクトを分解し、最先端の手法よりも優れていることが示された。
NeuDOTは非侵襲的で高分解能で計算効率のよいトモグラフィー法であり、光散乱を含むNFのさらなる応用を解き放つ。
関連論文リスト
- Neural refractive index field: Unlocking the Potential of Background-oriented Schlieren Tomography in Volumetric Flow Visualization [6.748519362625069]
本研究はニューラル屈折指数場(NeRIF)と呼ばれる革新的な再構成手法を提案する。
NeRIFはニューラルネットワークで流れの場を暗黙的に表現する。
乱流文泉火炎における数値シミュレーションと実験実験の両方により, 再現精度と空間分解能を大幅に向上させることができることが示唆された。
論文 参考訳(メタデータ) (2024-09-23T05:40:50Z) - Spatial super-resolution in nanosensing with blinking emitters [79.16635054977068]
本稿では, 点滅型蛍光ナノセンサを用いたメロロジーにおける空間分解能向上手法を提案する。
我々は, 生活科学分野において, 画像解析技術に補完される点滅蛍光センシング剤を日常的に活用できると考えている。
論文 参考訳(メタデータ) (2024-02-27T10:38:05Z) - Speeding up Photoacoustic Imaging using Diffusion Models [0.0]
光音響顕微鏡(PAM)は、光学的および音響的イメージングを統合し、組織内の光学吸収成分を検出するための浸透深度を向上させる。
レーザーパルス繰り返し速度による速度制限により、計算手法の潜在的な役割は、PAMイメージングの加速において強調される。
PAM画像の高速化に拡散モデルを用いた,新しい高適応DiffPamアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-14T11:34:27Z) - Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。
我々は、その固有のODE-軌道の正規化を提唱する。
実験により,提案手法は低照度化において優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-10-26T17:01:52Z) - DiffuseIR:Diffusion Models For Isotropic Reconstruction of 3D
Microscopic Images [20.49786054144047]
拡散モデルに基づく等方的再構成の教師なし手法であるDiffuseIRを提案する。
まず,側方顕微鏡画像から生体組織の構造分布を学習するために,拡散モデルの事前学習を行う。
次に、低軸分解能顕微鏡画像を用いて拡散モデルの生成過程を定式化し、高軸分解能再構成結果を生成する。
論文 参考訳(メタデータ) (2023-06-21T08:49:28Z) - SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI [14.545736786515837]
本稿では,k空間の拡散モデルであるSPIRiT-Diffusionを紹介する。
3次元頭蓋内および頸動脈壁画像データセットを用いたSPIRiT-Diffusion法の評価を行った。
論文 参考訳(メタデータ) (2023-04-11T08:43:52Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳(メタデータ) (2023-01-10T19:00:12Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - 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) - Manifold-aware Synthesis of High-resolution Diffusion from Structural
Imaging [12.96280888284293]
本稿では,高分解能T1w画像からの拡散テンソル(DT)と拡散配向分布関数(dODF)の直接生成のためのネットワークアーキテクチャを提案する。
提案手法は,合成拡散と接地トラス間の分数異方性平均二乗誤差(FA MSE)を23%以上改善する。
構造入力から15秒以内で高分解能拡散画像を生成することができるが,T1w画像のみに依存する拡散推定の限界を認識し,議論する。
論文 参考訳(メタデータ) (2021-08-09T16:00:40Z) - 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。