論文の概要: Moving beyond simulation: data-driven quantitative photoacoustic imaging using tissue-mimicking phantoms

• arxiv url: http://arxiv.org/abs/2306.06748v1
• Date: Sun, 11 Jun 2023 19:12:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 16:56:56.024681
• Title: Moving beyond simulation: data-driven quantitative photoacoustic imaging using tissue-mimicking phantoms
• Title（参考訳）: シミュレーションを超えて:組織模倣ファントムを用いたデータ駆動定量的光音響イメージング
• Authors: Janek Gr\"ohl, Thomas R. Else, Lina Hacker, Ellie V. Bunce, Paul W. Sweeney, Sarah E. Bohndiek
• Abstract要約: 実験的に良好な画像ファントムとそのデジタル双生児のコレクションを紹介する。 この第1種ファントムデータセットは、吸収係数のピクセルワイズ推定のための実験データに基づくU-Netの教師付きトレーニングを可能にする。 シミュレーションデータによるトレーニングは, シミュレーションと実験の間の領域ギャップを補強し, 評価の成果とバイアスをもたらすことを示す。
• 参考スコア（独自算出の注目度）: 1.5006258585503878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate measurement of optical absorption coefficients from photoacoustic imaging (PAI) data would enable direct mapping of molecular concentrations, providing vital clinical insight. The ill-posed nature of the problem of absorption coefficient recovery has prohibited PAI from achieving this goal in living systems due to the domain gap between simulation and experiment. To bridge this gap, we introduce a collection of experimentally well-characterised imaging phantoms and their digital twins. This first-of-a-kind phantom data set enables supervised training of a U-Net on experimental data for pixel-wise estimation of absorption coefficients. We show that training on simulated data results in artefacts and biases in the estimates, reinforcing the existence of a domain gap between simulation and experiment. Training on experimentally acquired data, however, yielded more accurate and robust estimates of optical absorption coefficients. We compare the results to fluence correction with a Monte Carlo model from reference optical properties of the materials, which yields a quantification error of approximately 20%. Application of the trained U-Nets to a blood flow phantom demonstrated spectral biases when training on simulated data, while application to a mouse model highlighted the ability of both learning-based approaches to recover the depth-dependent loss of signal intensity. We demonstrate that training on experimental phantoms can restore the correlation of signal amplitudes measured in depth. While the absolute quantification error remains high and further improvements are needed, our results highlight the promise of deep learning to advance quantitative PAI.
• Abstract（参考訳）: 光音響イメージング(PAI)データからの光吸収係数の正確な測定は、分子濃度の直接マッピングを可能にし、重要な臨床的洞察を与える。 吸収係数の回復問題は, シミュレーションと実験の領域差により, 生体系におけるPAIの目標達成を妨げている。 このギャップを埋めるために,実験的に良好な画像ファントムとそのデジタル双生児のコレクションを導入する。 この第1種ファントムデータセットは、吸収係数のピクセルワイズ推定のための実験データに基づくU-Netの教師付きトレーニングを可能にする。 シミュレーションデータに対するトレーニングの結果,推定値のアーチファクトやバイアスが生じ,シミュレーションと実験の間のドメインギャップの存在が強まることが示された。 しかし、実験的に取得したデータのトレーニングにより、光学吸収係数のより正確でロバストな推定が得られた。 この結果とモンテカルロモデルとの比較を材料の基準光学特性から行い, 定量化誤差は約20%である。 トレーニングされたU-Netの血流ファントムへの応用は、模擬データを用いたトレーニングにおいてスペクトルバイアスを示し、マウスモデルへの適用は、両方の学習に基づくアプローチが信号強度の深さ依存性の損失を回復する能力を強調した。 実験ファントムのトレーニングにより,信号振幅の相関関係を再現できることを実証した。 絶対量化誤差は高いままであり,さらなる改善が必要であるが,本研究は量的paiを進めるための深層学習の期待を浮き彫りにする。

関連論文リスト

• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• 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)
• Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
  レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。 我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
  論文  参考訳（メタデータ） (2022-10-07T18:00:09Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Noise Reduction in X-ray Photon Correlation Spectroscopy with Convolutional Neural Networks Encoder-Decoder Models [0.0]
  2時間相関関数における信号対雑音比を改善するための計算手法を提案する。 CNN-EDモデルは、畳み込みニューラルネットワークデコーダ(CNN-ED)モデルに基づいている。 実世界の実験データに基づいて訓練されたCNN-EDモデルにより,2時間相関関数から平衡力学パラメータを効果的に抽出できることが実証された。
  論文  参考訳（メタデータ） (2021-02-07T18:38:59Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Joint Blind Deconvolution and Robust Principal Component Analysis for Blood Flow Estimation in Medical Ultrasound Imaging [8.922669577341225]
  本稿では,超高速超音波画像からの高分解能ドップラー血流推定の問題に対処する。 ドップラーデータから血液成分とPSFの両方を推定できるブラインドデコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2020-07-10T15:03:33Z)
• X-ray Photon-Counting Data Correction through Deep Learning [3.535670189300134]
  深層ニューラルネットワークを用いたPCDデータ補正手法を提案する。 本研究ではまず,電荷分割とパルス蓄積効果を取り入れた完全シミュレーションモデルを構築した。 シミュレーションされたPCDデータと地上の真理のデータは、PCDデータ修正のために特別に設計されたディープ・敵ネットワークに送られる。
  論文  参考訳（メタデータ） (2020-07-06T23:29:16Z)

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。