論文の概要: Single-shot reconstruction of three-dimensional morphology of biological cells in digital holographic microscopy using a physics-driven neural network

• arxiv url: http://arxiv.org/abs/2409.20013v1
• Date: Mon, 30 Sep 2024 07:15:36 GMT
• ステータス: メタデータ翻訳待ち、スコア計算待ち
• システム内更新日: 2024-10-02 20:53:15.658308
• Title: Single-shot reconstruction of three-dimensional morphology of biological cells in digital holographic microscopy using a physics-driven neural network
• Title（参考訳）: 物理駆動型ニューラルネットワークを用いたデジタルホログラフィーにおける生体細胞の三次元形態の単一ショット再構成
• Authors: Jihwan Kim, Youngdo Kim, Hyo Seung Lee, Eunseok Seo, Sang Joon Lee,
• Abstract要約: 再構成3次元形態の単一ショットのための新しい深層学習モデルMorpHoloNetを提案する。 MorpHoloNetは、センサ面上の模擬ホログラムと入力ホログラムの間の損失を最小限にすることで最適化される。 単発ホログラムから3次元複素光場と試験試料の3次元形態を直接再構成することができる。
• 参考スコア（独自算出の注目度）: 6.49455647840014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep learning-based image reconstruction techniques have led to significant progress in phase retrieval using digital in-line holographic microscopy (DIHM). However, existing deep learning-based phase retrieval methods have technical limitations in generalization performance and three-dimensional (3D) morphology reconstruction from a single-shot hologram of biological cells. In this study, we propose a novel deep learning model, named MorpHoloNet, for single-shot reconstruction of 3D morphology by integrating physics-driven and coordinate-based neural networks. By simulating the optical diffraction of coherent light through a 3D phase shift distribution, the proposed MorpHoloNet is optimized by minimizing the loss between the simulated and input holograms on the sensor plane. Compared to existing DIHM methods that face challenges with twin image and phase retrieval problems, MorpHoloNet enables direct reconstruction of 3D complex light field and 3D morphology of a test sample from its single-shot hologram without requiring multiple phase-shifted holograms or angle scanning. The performance of the proposed MorpHoloNet is validated by reconstructing 3D morphologies and refractive index distributions from synthetic holograms of ellipsoids and experimental holograms of biological cells. The proposed deep learning model is utilized to reconstruct spatiotemporal variations in 3D translational and rotational behaviors and morphological deformations of biological cells from consecutive single-shot holograms captured using DIHM. MorpHoloNet would pave the way for advancing label-free, real-time 3D imaging and dynamic analysis of biological cells under various cellular microenvironments in biomedical and engineering fields.
• Abstract（参考訳）: 深層学習に基づく画像再構成技術の最近の進歩は、デジタルインラインホログラフィー(DIHM)を用いた位相探索の著しい進歩をもたらした。 しかし,既存の深層学習に基づく位相探索法は,生物細胞の単発ホログラムからの一般化性能と3次元形状復元に技術的制限がある。 本研究では,物理駆動型ニューラルネットワークと座標ベースニューラルネットワークを統合した3次元形態の単発再構成のための,MorpHoloNetという新しいディープラーニングモデルを提案する。 3次元位相シフト分布を通してコヒーレント光の光回折をシミュレートすることにより,センサ面上の模擬ホログラムと入力ホログラムの損失を最小化することにより,MorpHoloNetを最適化する。 双対画像と位相検索の問題に直面する既存のDIHM法と比較して、MorpHoloNetは、複数の位相シフトホログラムや角度走査を必要とせず、単発ホログラムから3次元複素光場と3次元形状の直接再構成を可能にする。 提案したMorpHoloNetの性能は,エリスコイドの合成ホログラムと生体細胞の実験的ホログラムから3次元形態と屈折率分布を再構成することによって検証される。 提案した深層学習モデルを用いて,DIHMを用いた連続単発ホログラムからの3次元翻訳・回転挙動と生体細胞の形態変化の時空間変化を再現する。 MorpHoloNetは、バイオメディカルおよびエンジニアリング分野における様々な細胞環境下での、ラベルのないリアルタイム3Dイメージングと生物学的細胞の動的解析の道を開くだろう。

関連論文リスト

• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• 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)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Holographic image reconstruction with phase recovery and autofocusing using recurrent neural networks [8.040329271747753]
  デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。 ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。 ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
  論文  参考訳（メタデータ） (2021-02-12T01:51:43Z)
• Synthetic Generation of Three-Dimensional Cancer Cell Models from Histopathological Images [19.778965983551114]
  本論文では,発電機識別パターンに基づく合成3次元ヒストロジーモデル生成のための新しい枠組みを提案する。 提案アルゴリズムは、低いフリーチェット・インセプションスコアなどの比較評価指標において、高い定量的および定性的な合成を実現する。
  論文  参考訳（メタデータ） (2021-01-26T14:00:00Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
  深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。 私たちのネットワークは、複数の面で「物理認識」するように設計されています。 我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
  論文  参考訳（メタデータ） (2020-06-16T18:35:32Z)
• Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning [1.4619386068190985]
  デジタルインラインホログラフィーは、顕微鏡オブジェクトの2次元ホログラムから3次元画像を再構成するのに一般的に用いられる。 本稿では,シングルショットホログラム再構成のためのオートエンコーダに基づくディープラーニングアーキテクチャの実装を提案する。
  論文  参考訳（メタデータ） (2020-04-25T20:39:25Z)

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。