論文の概要: A Deep Learning Framework for Spatiotemporal Ultrasound Localization Microscopy

• arxiv url: http://arxiv.org/abs/2310.08143v1
• Date: Thu, 12 Oct 2023 08:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 12:11:44.718621
• Title: A Deep Learning Framework for Spatiotemporal Ultrasound Localization Microscopy
• Title（参考訳）: 時空間超音波定位顕微鏡のための深層学習枠組み
• Authors: L\'eo Milecki, Jonathan Por\'ee, Hatim Belgharbi, Chlo\'e Bourquin, Rafat Damseh, Patrick Delafontaine-Martel, Fr\'ed\'eric Lesage, Maxime Gasse, Jean Provost
• Abstract要約: 本研究は,高マイクロバブル濃度の超音波取得から高密度血管網を復元するDeep Learningアプローチを提案する。 2光子顕微鏡から分割した現実的なマウス脳微小血管ネットワークは、3次元畳み込みニューラルネットワークのトレーニングに使用された。 3D-CNNのアプローチは、データの一部とインビボでのラット脳獲得を用いて、シリコで検証された。
• 参考スコア（独自算出の注目度）: 4.779980560308821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound Localization Microscopy can resolve the microvascular bed down to a few micrometers. To achieve such performance microbubble contrast agents must perfuse the entire microvascular network. Microbubbles are then located individually and tracked over time to sample individual vessels, typically over hundreds of thousands of images. To overcome the fundamental limit of diffraction and achieve a dense reconstruction of the network, low microbubble concentrations must be used, which lead to acquisitions lasting several minutes. Conventional processing pipelines are currently unable to deal with interference from multiple nearby microbubbles, further reducing achievable concentrations. This work overcomes this problem by proposing a Deep Learning approach to recover dense vascular networks from ultrasound acquisitions with high microbubble concentrations. A realistic mouse brain microvascular network, segmented from 2-photon microscopy, was used to train a three-dimensional convolutional neural network based on a V-net architecture. Ultrasound data sets from multiple microbubbles flowing through the microvascular network were simulated and used as ground truth to train the 3D CNN to track microbubbles. The 3D-CNN approach was validated in silico using a subset of the data and in vivo on a rat brain acquisition. In silico, the CNN reconstructed vascular networks with higher precision (81%) than a conventional ULM framework (70%). In vivo, the CNN could resolve micro vessels as small as 10 $\mu$m with an increase in resolution when compared against a conventional approach.
• Abstract（参考訳）: 超音波局在顕微鏡は微小血管床を数マイクロメートルまで分解する。 このような性能を実現するためには、マイクロバブルコントラスト剤が微小血管網全体に浸透しなければならない。 マイクロバブルは個別に位置し、時間をかけて個々の容器(通常数十万枚以上の画像)を採取する。 回折の基本的な限界を克服し、ネットワークの高密度な再構築を実現するためには、マイクロバブル濃度を低くする必要がある。 従来の処理パイプラインでは、近接する複数のマイクロバブルからの干渉に対応できず、さらに達成可能な濃度を低減している。 この研究は、マイクロバブル濃度の高い超音波取得から高密度血管ネットワークを回復するための深層学習アプローチを提案することで、この問題を克服している。 2光子顕微鏡から分割した現実的なマウス脳微小血管ネットワークは、V-netアーキテクチャに基づいた3次元畳み込みニューラルネットワークのトレーニングに使用された。 微小血管網を流れる複数のマイクロバブルからの超音波データセットをシミュレートし、3D CNNでマイクロバブルを追跡した。 3d-cnn法をシリコで検証し,in vivoでラットの脳獲得を行った。 シリコでは、CNNは従来のULMフレームワーク(70%)よりも高精度(81%)の血管網を再構築した。 生体内では、CNNは従来の手法と比較して分解能が向上し、微小血管を10$\mu$mまで解決することができた。

関連論文リスト

• Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network [1.7916466820108048]
  光顕微鏡(LM)における従来の明示的手法は、画像取得時に点拡散関数(PSF)に依存する。 本稿では、光学デコンボリューションを近似するために、革新的な物理インフォームドニューラルネットワークであるMulti-Stage Residual-BCR Net(m-rBCR)を提案する。 明示的なデコンボリューション法(例えばリチャードソン=ルーシー)や他の最先端NNモデルとは対照的に、m-rBCRモデルは他の候補よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-03T16:09:59Z)
• Pruning Sparse Tensor Neural Networks Enables Deep Learning for 3D Ultrasound Localization Microscopy [0.0]
  本研究では,超音波データをスパース形式に効率よく変換し,関連する情報損失の影響について検討する。 提案手法は,高濃度環境下での従来のULMよりも2桁のメモリ要求量を削減する。
  論文  参考訳（メタデータ） (2024-02-14T18:03:58Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Fast light-field 3D microscopy with out-of-distribution detection and adaptation through Conditional Normalizing Flows [16.928404625892625]
  リアルタイム3次元蛍光顕微鏡は生物の分析に不可欠である。 そこで我々は,生きた固定化ゼブラフィッシュ神経活動の高速な3次元再構成を行う新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-10T10:42:49Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• MixMicrobleed: Multi-stage detection and segmentation of cerebral microbleeds [0.08156494881838945]
  脳微小出血は小さく、暗く、丸い病変であり、T2*強調MRIで観察できる。 マイクロブロード検出とセグメンテーションの両方に対するマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:41:08Z)
• Neural Network-based Virtual Microphone Estimator [111.79608275698274]
  ニューラルネットワークを用いた仮想マイクロホン推定器(NN-VME)を提案する。 NN-VMEは、最近の時間領域ニューラルネットワークの正確な推定能力を利用して、仮想マイクロホン信号を時間領域内で直接推定する。 CHiME-4コーパスの実験結果から,提案したNN-VMEは実録音においても高い仮想マイクロホン推定性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-01-12T06:30:24Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。