論文の概要: Speeding up Photoacoustic Imaging using Diffusion Models

• arxiv url: http://arxiv.org/abs/2312.08834v1
• Date: Thu, 14 Dec 2023 11:34:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 22:48:17.646905
• Title: Speeding up Photoacoustic Imaging using Diffusion Models
• Title（参考訳）: 拡散モデルを用いた光音響イメージングの高速化
• Authors: Irem Loc and Mehmet Burcin Unlu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Photoacoustic Microscopy (PAM) integrates optical and acoustic imaging, offering enhanced penetration depth for detecting optical-absorbing components in tissues. Nonetheless, challenges arise in scanning large areas with high spatial resolution. With speed limitations imposed by laser pulse repetition rates, the potential role of computational methods is highlighted in accelerating PAM imaging. Purpose: We are proposing a novel and highly adaptable DiffPam algorithm that utilizes diffusion models for speeding up the photoacoustic imaging process. Method: We leveraged a diffusion model trained exclusively on natural images, comparing its performance with an in-domain trained U-Net model using a dataset focused on PAM images of mice brain microvasculature. Results: Our findings indicate that DiffPam achieves comparable performance to a dedicated U-Net model, without the need for a large dataset or training a deep learning model. The study also introduces the efficacy of shortened diffusion processes for reducing computing time without compromising accuracy. Conclusion: This study underscores the significance of DiffPam as a practical algorithm for reconstructing undersampled PAM images, particularly for researchers with limited AI expertise and computational resources.
• Abstract（参考訳）: 背景: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、組織内の光吸収成分を検出するための浸透深度を向上させる。 それでも、大きな領域を高い空間分解能でスキャンすることは困難である。 レーザーパルス繰り返し速度による速度制限により、pamイメージングの高速化において計算法の潜在的役割が強調される。 目的: 拡散モデルを用いて光音響イメージングプロセスの高速化を行う, 新規で適応性の高いDiffPamアルゴリズムを提案する。 方法: マウス脳微小血管のpam画像に焦点をあてたデータセットを用いて, 自然画像のみを訓練した拡散モデルとドメイン内訓練u-netモデルの性能を比較した。 結果:DiffPamは,大規模なデータセットやディープラーニングモデルのトレーニングを必要とせず,専用のU-Netモデルに匹敵する性能を達成した。 また,精度を損なうことなく計算時間を短縮するための拡散プロセスの短縮効果も導入した。 結論: 本研究は, 限定的なai知識と計算資源を有する研究者において, 実効的なpam画像再構成アルゴリズムとしてのdiffpamの重要性を強調する。

関連論文リスト

• Resolution Enhancement of Under-sampled Photoacoustic Microscopy Images using Implicit Neural Representations [4.672315172406826]
  光音響顕微鏡(AR-PAM)は皮下血管造影に有用である。 従来のデコンボリューション法では、PSF(Point Spreadvolution)を使用して解像度を改善する。 Inlicit Neural Representation (INR) に基づくアプローチを提案する。 本手法は,空間座標から初期音圧への連続的なマッピングを学習し,離散像の限界を克服する。
  論文  参考訳（メタデータ） (2024-10-15T00:44:57Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• LighTDiff: Surgical Endoscopic Image Low-Light Enhancement with T-Diffusion [23.729378821117123]
  Denoising Diffusion Probabilistic Model (DDPM) は、医療分野での低照度画像強調を約束する。 DDPMは計算的に要求され、遅いため、医療応用は制限されている。 我々はLighTDiffと呼ばれる軽量DDPMを提案し、低解像度画像を用いてグローバルな構造情報をキャプチャする。
  論文  参考訳（メタデータ） (2024-05-17T05:31:19Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Domain-Aware Few-Shot Learning for Optical Coherence Tomography Noise Reduction [0.0]
  光コヒーレンストモグラフィ(OCT)ノイズ低減のための数発の教師付き学習フレームワークを提案する。 このフレームワークは、トレーニング速度を劇的に向上させ、単一の画像または画像の一部だけを必要とし、対応するスペックルが地面の真実を抑圧する。 この結果から, 試料の複雑さ, 一般化, 時間効率を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-13T19:46:40Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging [0.9786690381850356]
  光音響顕微鏡(PAM)は近年,バイオメディカルイメージング技術として期待されている。 サンプリング密度の低減は、画像品質の犠牲となる画像取得時間を自然に短縮することができる。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたスパースPAM画像の品質向上手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T05:49:32Z)
• Reconstructing undersampled photoacoustic microscopy images using deep learning [11.74890470096844]
  アンサンプされたPAM画像の再構成にディープラーニングの原理を応用した新しい手法を提案する。 この結果から,PAM画像の再現性能は,元のピクセルの2%に満たないという結果が得られた。
  論文  参考訳（メタデータ） (2020-05-30T12:39:52Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。