論文の概要: Leveraging Modified Ex Situ Tomography Data for Segmentation of In Situ Synchrotron X-Ray Computed Tomography

• arxiv url: http://arxiv.org/abs/2504.19200v1
• Date: Sun, 27 Apr 2025 11:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.17766
• Title: Leveraging Modified Ex Situ Tomography Data for Segmentation of In Situ Synchrotron X-Ray Computed Tomography
• Title（参考訳）: In situ Synchrotron X-ray Computed Tomography のセグメンテーションのための修正X線CTデータの活用
• Authors: Tristan Manchester, Adam Anders, Julio Spadotto, Hannah Eccleston, William Beavan, Hugues Arcis, Brian J. Connolly,
• Abstract要約: In situ シンクロトロンデータのバイナリセグメンテーションのための訓練モデルに高品質なex situ実験データを変換することで、ディープラーニングに基づくセグメンテーションの方法論を提案する。 提案手法は,3次元データセットあたりの処理時間を数時間から秒に短縮しつつ,未知のデータに対して高いセグメンテーション性能を実現する。 この手法は、様々な材料システムに容易に適用でき、科学的分野にわたる時間分解トモグラフィーデータの解析を加速することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In situ synchrotron X-ray computed tomography enables dynamic material studies, but automated segmentation remains challenging due to complex imaging artefacts and limited training data. We present a methodology for deep learning-based segmentation by transforming high-quality ex situ laboratory data to train models for binary segmentation of in situ synchrotron data, demonstrated through copper oxide dissolution studies. Using a modified SegFormer architecture, our approach achieves high segmentation performance on unseen data while reducing processing time from hours to seconds per 3D dataset. The method maintains consistent performance over significant morphological changes during experiments, despite training only on static specimens. This methodology can be readily applied to diverse materials systems, accelerating the analysis of time-resolved tomographic data across scientific disciplines.
• Abstract（参考訳）: In situ synchrotron X-ray Computed tomographyは動的材料研究を可能にするが、複雑な画像アーチファクトと限られた訓練データのために、自動セグメンテーションは依然として困難である。 In situ シンクロトロンデータのバイナリセグメンテーションのための訓練モデルに高品質なEx situ 実験データを変換し,深層学習に基づくセグメンテーションの手法を提案する。 修正されたSegFormerアーキテクチャを用いることで、未確認データに対して高いセグメンテーション性能を実現し、3Dデータセットあたりの処理時間を数時間から秒に短縮する。 この方法は、静的標本のみの訓練にもかかわらず、実験中の重要な形態変化に対して一貫した性能を維持する。 この手法は、様々な材料システムに容易に適用でき、科学的分野にわたる時間分解トモグラフィーデータの解析を加速することができる。

関連論文リスト

• A Fast, Scalable, and Robust Deep Learning-based Iterative Reconstruction Framework for Accelerated Industrial Cone-beam X-ray Computed Tomography [5.104810959579395]
  コーンビームX線CT(XCT)と大型検出器とそれに対応する大規模3次元再構成は,様々な産業における材料や部品のミクロンスケールのキャラクタリゼーションにおいて重要な役割を担っている。 本稿では, 自動正規化パラメータ選択を伴う先行モデルとして, アーティファクト縮小学習CNNを組み込んだ, ディープニューラルネットワークに基づく反復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-21T19:34:01Z)
• Deep-learning real-time phase retrieval of imperfect diffraction patterns from X-ray free-electron lasers [0.0]
  本稿では,不完全な回折データに対する深層学習に基づく位相探索手法を提案する。 この方法は、シミュレーションデータに対する堅牢な位相検索を提供し、X線自由電子レーザーからの弱い信号単パルス回折データに対して良好に動作する。 高速なデータ取得に不可欠なリアルタイム画像再構成を容易にすることで、データ処理時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-09-24T06:28:25Z)
• Single-shot Tomography of Discrete Dynamic Objects [1.1407697960152927]
  ダイナミックトモグラフィーにおける高分解能時間像の再構成法を提案する。 本研究の意義は、断層撮影における動的過程の可視化と解析の改善にまで及んでいる。
  論文  参考訳（メタデータ） (2023-11-09T10:52:02Z)
• Multi-stage Deep Learning Artifact Reduction for Pallel-beam Computed Tomography [0.0]
  トモグラフィーパイプライン投影,シノグラム,再構成の各段階で個別のディープラーニングモデルを組み込んで,データ駆動方式で特定のアーティファクトを局所的に処理する手法を提案する。 提案手法は,前段階からの出力と生データを後段に供給するバイパス接続を含み,エラー伝播のリスクを最小限に抑える。
  論文  参考訳（メタデータ） (2023-09-01T14:40:25Z)
• Deep Learning of Crystalline Defects from TEM images: A Solution for the Problem of "Never Enough Training Data" [0.0]
  In-situ TEM実験は、転位がどのように振る舞うか、動きについて重要な洞察を与えることができる。 個々のビデオフレームの分析は有用な洞察を提供するが、自動識別の能力によって制限される。 本研究では,転位セグメンテーションのための合成トレーニングデータを生成するパラメトリックモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-12T17:37:46Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• 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)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)

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。