論文の概要: Physics-Driven Neural Compensation For Electrical Impedance Tomography
- arxiv url: http://arxiv.org/abs/2504.18067v2
- Date: Mon, 28 Apr 2025 05:14:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.641025
- Title: Physics-Driven Neural Compensation For Electrical Impedance Tomography
- Title（参考訳）: 電気インピーダンストモグラフィのための物理駆動型ニューラル補償
- Authors: Chuyu Wang, Huiting Deng, Dong Liu,
- Abstract要約: EIT(Electronic Impedance Tomography)は、非侵襲的でポータブルな画像モダリティを提供する。
EITは2つの主要な課題に直面している: 逆問題の性質の悪さと空間的変動、位置依存感度分布である。
EITの物理原理を取り入れた教師なしディープラーニングフレームワークであるPhyNC(Physics-driven Neural Compensation)を提案する。
- 参考スコア（独自算出の注目度）: 7.256725037878305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrical Impedance Tomography (EIT) provides a non-invasive, portable imaging modality with significant potential in medical and industrial applications. Despite its advantages, EIT encounters two primary challenges: the ill-posed nature of its inverse problem and the spatially variable, location-dependent sensitivity distribution. Traditional model-based methods mitigate ill-posedness through regularization but overlook sensitivity variability, while supervised deep learning approaches require extensive training data and lack generalization. Recent developments in neural fields have introduced implicit regularization techniques for image reconstruction, but these methods typically neglect the physical principles underlying EIT, thus limiting their effectiveness. In this study, we propose PhyNC (Physics-driven Neural Compensation), an unsupervised deep learning framework that incorporates the physical principles of EIT. PhyNC addresses both the ill-posed inverse problem and the sensitivity distribution by dynamically allocating neural representational capacity to regions with lower sensitivity, ensuring accurate and balanced conductivity reconstructions. Extensive evaluations on both simulated and experimental data demonstrate that PhyNC outperforms existing methods in terms of detail preservation and artifact resistance, particularly in low-sensitivity regions. Our approach enhances the robustness of EIT reconstructions and provides a flexible framework that can be adapted to other imaging modalities with similar challenges.
- Abstract（参考訳）: EIT(Electronic Impedance Tomography)は、非侵襲的でポータブルな画像モダリティを提供する。
その利点にもかかわらず、EITは2つの主要な課題に直面している。
従来のモデルベース手法は、正規化によって不適切さを軽減するが、教師付きディープラーニングアプローチでは広範なトレーニングデータが必要であり、一般化が欠如している。
ニューラルフィールドの最近の発展は画像再構成のための暗黙の正則化技術を導入しているが、これらの手法は通常、EITの基礎となる物理原理を無視し、有効性を制限している。
本研究では,EITの物理原理を取り入れた教師なしディープラーニングフレームワークであるPhyNC(Physics-driven Neural Compensation)を提案する。
PhyNCは、不適切な逆問題と感度分布の両方に対処し、神経表現能力を低感度の領域に動的に割り当て、正確でバランスの取れた伝導率の復元を保証する。
シミュレーションデータと実験データの両方において、PhyNCは、特に低感度領域において、ディテール保存とアーティファクト抵抗の点で、既存の手法よりも優れていることを示す。
提案手法は,EIT再構成の堅牢性を高め,他の画像モダリティにも適用可能なフレキシブルなフレームワークを提供する。
関連論文リスト
- SDEIT: Semantic-Driven Electrical Impedance Tomography [7.872153285062159]
SDEITはStable Diffusion 3.5をEITに統合する新しい意味駆動型フレームワークである。
暗黙的ニューラル表現(INR)ネットワークとプラグアンドプレイ最適化スキームを結合することにより、SDEITは構造的一貫性を改善し、詳細を回復する。
この研究は、マルチモーダル前処理をEITのような不測の逆問題に統合するための新しい経路を開く。
論文 参考訳（メタデータ） (2025-04-05T14:08:58Z) - Towards Understanding the Benefits of Neural Network Parameterizations in Geophysical Inversions: A Study With Neural Fields [1.7396556690675236]
本研究では、ニューラルネットワークを用いて、その座標における対応する物理特性値に座標をマッピングする。
テスト時間学習法では、トレーニングデータセットを用いてネットワークをトレーニングする必要がある従来のアプローチと比較して、ウェイトをインバージョン中に学習する。
論文 参考訳（メタデータ） (2025-03-21T19:32:52Z) - Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。
EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。
拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
論文 参考訳（メタデータ） (2024-09-06T14:21:23Z) - A Two-Stage Imaging Framework Combining CNN and Physics-Informed Neural Networks for Full-Inverse Tomography: A Case Study in Electrical Impedance Tomography (EIT) [5.772638266457322]
電気インピーダンストモグラフィーは非常に不適切な逆問題である。
本稿では,畳み込みニューラルネットワーク(CNN)とPINNを組み合わせた2段階のハイブリッド学習フレームワークを提案する。
このフレームワークはデータ駆動とモデル駆動のパラダイムを統合し、教師付き学習と教師なし学習を組み合わせて導電性を再構築する。
論文 参考訳（メタデータ） (2024-07-25T02:48:22Z) - Electrical Impedance Tomography: A Fair Comparative Study on Deep
Learning and Analytic-based Approaches [2.7392924984179348]
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。
論文 参考訳（メタデータ） (2023-10-28T08:45:51Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - 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)
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。