論文の概要: Electrical Impedance Tomography: A Fair Comparative Study on Deep Learning and Analytic-based Approaches

• arxiv url: http://arxiv.org/abs/2310.18636v1
• Date: Sat, 28 Oct 2023 08:45:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 17:34:19.148238
• Title: Electrical Impedance Tomography: A Fair Comparative Study on Deep Learning and Analytic-based Approaches
• Title（参考訳）: 電気インピーダンストモグラフィー:Deep LearningとAnalytic-based Approachの比較研究
• Authors: Derick Nganyu Tanyu, Jianfeng Ning, Andreas Hauptmann, Bangti Jin, Peter Maass
• Abstract要約: EIT(Electronic Impedance Tomography)は、様々な応用の強力なイメージング技術である。 EIT逆問題(EIT inverse problem)とは、物体の内部伝導率分布を、その境界で測定した値から推定することである。 近年、分析ベースのアプローチとディープラーニングの革新によって、大きな進歩が見られた。
• 参考スコア（独自算出の注目度）: 2.7392924984179348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrical Impedance Tomography (EIT) is a powerful imaging technique with diverse applications, e.g., medical diagnosis, industrial monitoring, and environmental studies. The EIT inverse problem is about inferring the internal conductivity distribution of an object from measurements taken on its boundary. It is severely ill-posed, necessitating advanced computational methods for accurate image reconstructions. Recent years have witnessed significant progress, driven by innovations in analytic-based approaches and deep learning. This review explores techniques for solving the EIT inverse problem, focusing on the interplay between contemporary deep learning-based strategies and classical analytic-based methods. Four state-of-the-art deep learning algorithms are rigorously examined, harnessing the representational capabilities of deep neural networks to reconstruct intricate conductivity distributions. In parallel, two analytic-based methods, rooted in mathematical formulations and regularisation techniques, are dissected for their strengths and limitations. These methodologies are evaluated through various numerical experiments, encompassing diverse scenarios that reflect real-world complexities. A suite of performance metrics is employed to assess the efficacy of these methods. These metrics collectively provide a nuanced understanding of the methods' ability to capture essential features and delineate complex conductivity patterns. One novel feature of the study is the incorporation of variable conductivity scenarios, introducing a level of heterogeneity that mimics textured inclusions. This departure from uniform conductivity assumptions mimics realistic scenarios where tissues or materials exhibit spatially varying electrical properties. Exploring how each method responds to such variable conductivity scenarios opens avenues for understanding their robustness and adaptability.
• Abstract（参考訳）: 電気インピーダンストモグラフィー(eit)は、医療診断、産業モニタリング、環境研究など様々な応用を含む強力なイメージング技術である。 EIT逆問題(EIT inverse problem)とは、物体の内部伝導率分布を、その境界で測定した値から推定することである。 画像再構成には高度な計算手法が必要である。 近年、分析ベースのアプローチとディープラーニングの革新によって、大きな進歩が見られた。 本稿では,現代の深層学習戦略と古典的分析手法の相互作用に着目し,EIT逆問題の解法を検討する。 4つの最先端ディープラーニングアルゴリズムを厳密に検討し、深層ニューラルネットワークの表現能力を利用して複雑な導電率分布を再構成する。 並行して、数学的定式化と正規化技術に根ざした2つの解析ベースの手法は、その強みと限界のために解剖される。 これらの手法は、実世界の複雑さを反映した様々なシナリオを含む様々な数値実験を通じて評価される。 これらの手法の有効性を評価するために、一連のパフォーマンス指標が使用される。 これらのメトリクスは、本質的な特徴をキャプチャし、複雑な導電パターンを記述できる方法の微妙な理解を提供する。 この研究の新たな特徴は、テクスチャ化された包摂を模倣する不均一性のレベルを導入する、可変導電性シナリオの組み入れである。 この均一導電性仮定からの離脱は、組織や材料が空間的に異なる電気的性質を示す現実的なシナリオを模倣する。 それぞれのメソッドがこのような可変導電性シナリオにどのように反応するかを探求することで、ロバスト性と適応性を理解するための道を開く。

関連論文リスト

• You are out of context! [0.0]
  新しいデータは、モデルによって学習された幾何学的関係を伸ばしたり、圧縮したり、ねじったりする力として振る舞うことができる。 本稿では,ベクトル空間表現における「変形」の概念に基づく機械学習モデルのための新しいドリフト検出手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T10:17:43Z)
• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• Emotion Recognition Using Transformers with Masked Learning [7.650385662008779]
  本研究では、視覚変換器(ViT)と変換器(Transformer)のモデルを用いて、Valence-Arousal(VA)の推定に焦点をあてる。 このアプローチは、従来の畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ベースのメソッドを超越し、新しいTransformerベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T12:26:53Z)
• Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
  本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。 主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
  論文  参考訳（メタデータ） (2023-09-27T15:41:12Z)
• Neural DAEs: Constrained neural networks [4.212663349859165]
  我々はいくつかの基本的なシナリオの違いにもかかわらず、残差ニューラルネットワークに関連した手法を実装した。 マルチボディ振り子と分子動力学シナリオのシミュレーションを含む実験に基づいて,どの手法をいつ使うかを示す。 既存のコードで実装するのは簡単で、トレーニングのパフォーマンスに制限がある一方、推論の面では大幅に向上しています。
  論文  参考訳（メタデータ） (2022-11-25T18:58:28Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
  本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。 スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
  論文  参考訳（メタデータ） (2020-03-02T04:06:47Z)
• Disentangling Adaptive Gradient Methods from Learning Rates [65.0397050979662]
  適応的勾配法が学習率のスケジュールとどのように相互作用するかを、より深く検討する。 我々は、更新の規模をその方向から切り離す"グラフティング"実験を導入する。 適応勾配法の一般化に関する経験的および理論的考察を示す。
  論文  参考訳（メタデータ） (2020-02-26T21:42:49Z)

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。