論文の概要: Augmenting x-ray single particle imaging reconstruction with
self-supervised machine learning
- arxiv url: http://arxiv.org/abs/2311.16652v1
- Date: Tue, 28 Nov 2023 10:05:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 18:57:07.136985
- Title: Augmenting x-ray single particle imaging reconstruction with
self-supervised machine learning
- Title（参考訳）: 自己教師型機械学習によるX線単一粒子画像再構成
- Authors: Zhantao Chen, Cong Wang, Mingye Gao, Chun Hong Yoon, Jana B. Thayer,
Joshua J. Turner
- Abstract要約: 粒子配向を復元し、回折画像のみから相互空間強度を推定するエンド・ツー・エンドの自己教師型機械学習手法を提案する。
提案手法は,従来のアルゴリズムと比較して,再現性を大幅に向上した実験条件下での強靭性を示す。
- 参考スコア（独自算出の注目度）: 5.109422776828829
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of X-ray Free Electron Lasers (XFELs) has opened numerous
opportunities to probe atomic structure and ultrafast dynamics of various
materials. Single Particle Imaging (SPI) with XFELs enables the investigation
of biological particles in their natural physiological states with unparalleled
temporal resolution, while circumventing the need for cryogenic conditions or
crystallization. However, reconstructing real-space structures from
reciprocal-space x-ray diffraction data is highly challenging due to the
absence of phase and orientation information, which is further complicated by
weak scattering signals and considerable fluctuations in the number of photons
per pulse. In this work, we present an end-to-end, self-supervised machine
learning approach to recover particle orientations and estimate reciprocal
space intensities from diffraction images only. Our method demonstrates great
robustness under demanding experimental conditions with significantly enhanced
reconstruction capabilities compared with conventional algorithms, and
signifies a paradigm shift in SPI as currently practiced at XFELs.
- Abstract（参考訳）: x線自由電子レーザー(xfels)の開発は、様々な材料の原子構造と超高速ダイナミクスを調べる多くの機会を開いた。
XFELを用いた単一粒子イメージング(SPI)は、低温条件や結晶化の必要性を回避しつつ、時間分解能のない自然生理状態における生物学的粒子の研究を可能にする。
しかし、逆空間x線回折データからの実空間構造を再構成することは位相情報や方位情報がないため非常に困難であり、弱い散乱信号やパルス当たりの光子数のかなりの変動によりさらに複雑である。
本研究では, 粒子配向を回復し, 回折画像のみから相互空間強度を推定するための, エンドツーエンドの自己教師付き機械学習手法を提案する。
提案手法は, 従来のアルゴリズムと比べ, 再構成能力が大幅に向上した実験条件下では, 高い堅牢性を示し, XFELで実施されているSPIのパラダイムシフトを示す。
関連論文リスト
- Scalable 3D Reconstruction From Single Particle X-Ray Diffraction Images
Based on Online Machine Learning [34.12502156343611]
我々は,大規模なX線SPIデータセットから3次元マクロ分子の構造を推定するオンライン再構成フレームワークであるX-RAIを紹介する。
我々は,X-RAIがシミュレーションおよび実験環境における小規模データセットの最先端性能を達成することを実証した。
論文 参考訳（メタデータ） (2023-12-22T04:41:31Z) - Physics Constrained Unsupervised Deep Learning for Rapid, High
Resolution Scanning Coherent Diffraction Reconstruction [0.4310181932415864]
Coherent diffractive Imaging (CDI) と ptychography は、X線イメージングから天文学まで、科学分野に進出している。
物理インフォームドニューラルネットワーク再構成手法であるPtychoPINNを提案する。
特に、PtychoPINNは一般化可能性、精度(典型的には10dBPSNR増加)、線形分解能(2倍から6倍増)を著しく向上させる。
論文 参考訳（メタデータ） (2023-06-19T15:24:07Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳（メタデータ） (2023-03-02T00:52:41Z) - 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) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - Subspace modeling for fast and high-sensitivity X-ray chemical imaging [4.062272647963248]
TXM-XANESイメージング技術は、マルチエネルギーのX線で一連の顕微鏡画像を取得して化学マップを得るという、新たなツールである。
高速かつ高感度なケミカルイメージングを実現するため,画像品質向上のためのシンプルで頑健なデノナイジング手法を提案する。
論文 参考訳（メタデータ） (2022-01-01T23:26:06Z) - Toward AI-enhanced online-characterization and shaping of ultrashort
X-ray free-electron laser pulses [0.9743237458721049]
光電子角ストリーキングは、XFELパルスの正確な時間エネルギー構造を単発で回収することに成功した。
本稿では,XFELにおける本手法の実証段階から定期診断への活用方法を示す。
論文 参考訳（メタデータ） (2021-08-31T17:04:47Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z) - Quantum coherent diffractive imaging [0.0]
本研究では,局所媒質応答に量子効果を含む密度行列に基づく散乱モデルを開発した。
ヘリウムナノ滴からの共鳴散乱に対する線形CDIから非線形CDIへの遷移について検討する。
論文 参考訳（メタデータ） (2020-01-30T13:53:35Z)
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。