Fugu-MT 論文翻訳(概要): Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network

論文の概要: Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network

arxiv url: http://arxiv.org/abs/2407.03239v1
Date: Wed, 3 Jul 2024 16:09:59 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 13:27:21.146313
Title: Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network
Title（参考訳）: 残留Beylkin-Coifman-Rokhlinニューラルネットワークを用いた顕微鏡デコンボリューションの逆問題の解法
Authors: Rui Li, Mikhail Kudryashev, Artur Yakimovich,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.7916466820108048
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Optic deconvolution in light microscopy (LM) refers to recovering the object details from images, revealing the ground truth of samples. Traditional explicit methods in LM rely on the point spread function (PSF) during image acquisition. Yet, these approaches often fall short due to inaccurate PSF models and noise artifacts, hampering the overall restoration quality. In this paper, we approached the optic deconvolution as an inverse problem. Motivated by the nonstandard-form compression scheme introduced by Beylkin, Coifman, and Rokhlin (BCR), we proposed an innovative physics-informed neural network Multi-Stage Residual-BCR Net (m-rBCR) to approximate the optic deconvolution. We validated the m-rBCR model on four microscopy datasets - two simulated microscopy datasets from ImageNet and BioSR, real dSTORM microscopy images, and real widefield microscopy images. In contrast to the explicit deconvolution methods (e.g. Richardson-Lucy) and other state-of-the-art NN models (U-Net, DDPM, CARE, DnCNN, ESRGAN, RCAN, Noise2Noise, MPRNet, and MIMO-U-Net), the m-rBCR model demonstrates superior performance to other candidates by PSNR and SSIM in two real microscopy datasets and the simulated BioSR dataset. In the simulated ImageNet dataset, m-rBCR ranks the second-best place (right after MIMO-U-Net). With the backbone from the optical physics, m-rBCR exploits the trainable parameters with better performances (from ~30 times fewer than the benchmark MIMO-U-Net to ~210 times than ESRGAN). This enables m-rBCR to achieve a shorter runtime (from ~3 times faster than MIMO-U-Net to ~300 times faster than DDPM). To summarize, by leveraging physics constraints our model reduced potentially redundant parameters significantly in expertise-oriented NN candidates and achieved high efficiency with superior performance.
Abstract（参考訳）: 光顕微鏡(LM)における光学デコンボリューション(英: Optic deconvolution)とは、画像から物体の詳細を復元し、サンプルの基礎的真実を明らかにすることを指す。 LMの従来の明示的な手法は、画像取得時にポイントスプレッド関数(PSF)に依存する。しかし、これらのアプローチは、不正確なPSFモデルとノイズアーティファクトのためにしばしば失敗し、全体の修復品質を損なう。本稿では,逆問題として光学デコンボリューションにアプローチした。そこで,Beylkin,Coifman,Rokhlin (BCR) が導入した非標準形式圧縮方式により,光デコンボリューションを近似する革新的物理インフォームニューラルネットワークであるMulti-Stage Residual-BCR Net (m-rBCR) を提案した。我々は、ImageNetとBioSRの2つのシミュレーション顕微鏡データセット、実際のdSTORM顕微鏡画像、および実際の広視野顕微鏡画像の4つの顕微鏡データセット上でm-rBCRモデルを検証した。明示的なデコンボリューション法(例えばRichardson-Lucy)や他の最先端NNモデル(U-Net、DDPM、CARE、DnCNN、ESRGAN、RCAN、Noss2Noise、MPRNet、MIMO-U-Net)とは対照的に、m-rBCRモデルは2つの実際の顕微鏡データセットとシミュレーションされたBioSRデータセットにおいてPSNRとSSIMによる他の候補よりも優れた性能を示している。シミュレーションされたImageNetデータセットでは、m-rBCRがMIMO-U-Netに次いで第2位である。光学物理学のバックボーンにより、m-rBCRはトレーニング可能なパラメータをより良い性能で利用する(MIMO-U-Netのベンチマークの約30倍からESRGANの約210倍まで)。これにより、m-rBCRは短いランタイム(MIMO-U-Netの約3倍、DDPMの約300倍)を達成することができる。要約すると、我々のモデルは、物理制約を利用して専門性指向のNN候補において、潜在的に冗長なパラメータを著しく削減し、優れた性能で高い効率を実現した。

関連論文リスト

Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
論文参考訳（メタデータ） (2022-11-17T20:52:00Z)
Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文参考訳（メタデータ） (2022-09-19T07:26:45Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文参考訳（メタデータ） (2021-06-29T13:29:18Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文参考訳（メタデータ） (2021-05-15T02:01:21Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
Deeply-Supervised Density Regression for Automatic Cell Counting in Microscopy Images [9.392002197101965]
顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。 4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
論文参考訳（メタデータ） (2020-11-07T04:02:47Z)
Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文参考訳（メタデータ） (2020-08-12T16:06:25Z)
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。