論文の概要: Super-temporal-resolution Photoacoustic Imaging with Dynamic Reconstruction through Implicit Neural Representation in Sparse-view

• arxiv url: http://arxiv.org/abs/2506.03175v1
• Date: Thu, 29 May 2025 06:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.906993
• Title: Super-temporal-resolution Photoacoustic Imaging with Dynamic Reconstruction through Implicit Neural Representation in Sparse-view
• Title（参考訳）: 超時間分解能光音響イメージング : スパースビューにおけるインプシットニューラル表現による動的再構成
• Authors: Youshen Xiao, Yiling Shi, Ruixi Sun, Hongjiang Wei, Fei Gao, Yuyao Zhang,
• Abstract要約: Inlicit Neural Representation (INR)は、スパースデータによる逆問題解決のための強力なディープラーニングツールとして登場した。 本研究では、スパースビューからの動的光音響画像再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、動的光音響画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
• 参考スコア（独自算出の注目度）: 4.333674832664625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic Photoacoustic Computed Tomography (PACT) is an important imaging technique for monitoring physiological processes, capable of providing high-contrast images of optical absorption at much greater depths than traditional optical imaging methods. However, practical instrumentation and geometric constraints limit the number of acoustic sensors available around the imaging target, leading to sparsity in sensor data. Traditional photoacoustic (PA) image reconstruction methods, when directly applied to sparse PA data, produce severe artifacts. Additionally, these traditional methods do not consider the inter-frame relationships in dynamic imaging. Temporal resolution is crucial for dynamic photoacoustic imaging, which is fundamentally limited by the low repetition rate (e.g., 20 Hz) and high cost of high-power laser technology. Recently, Implicit Neural Representation (INR) has emerged as a powerful deep learning tool for solving inverse problems with sparse data, by characterizing signal properties as continuous functions of their coordinates in an unsupervised manner. In this work, we propose an INR-based method to improve dynamic photoacoustic image reconstruction from sparse-views and enhance temporal resolution, using only spatiotemporal coordinates as input. Specifically, the proposed INR represents dynamic photoacoustic images as implicit functions and encodes them into a neural network. The weights of the network are learned solely from the acquired sparse sensor data, without the need for external training datasets or prior images. Benefiting from the strong implicit continuity regularization provided by INR, as well as explicit regularization for low-rank and sparsity, our proposed method outperforms traditional reconstruction methods under two different sparsity conditions, effectively suppressing artifacts and ensuring image quality.
• Abstract（参考訳）: 動的光音響CT(Dynamic Photoacoustic Computed Tomography, PACT)は、生理学的プロセスを監視するための重要なイメージング技術であり、従来の光学イメージング法よりもはるかに深い深さで光吸収の高コントラスト画像を提供することができる。 しかし、実用的な計測と幾何的制約は、撮像対象の周囲で利用可能な音響センサの数を制限し、センサデータの空間性に繋がる。 従来の光音響(PA)画像再構成法では、スパースPAデータに直接適用すると、深刻なアーティファクトが生成される。 さらに、これらの従来の手法は動的イメージングにおけるフレーム間の関係を考慮していない。 時間分解能は、低繰り返し速度(例えば20Hz)と高出力レーザー技術によって根本的に制限される動的光音響イメージングにおいて重要である。 近年,信号特性を座標の連続関数として教師なしの方法で特徴付けることにより,スパースデータによる逆問題を解決するための強力なディープラーニングツールとして,インプシットニューラル表現(INR)が登場している。 本研究では,時空間座標のみを入力として,スパースビューからの動的光音響画像再構成を改善し,時間分解能を向上させるINRに基づく手法を提案する。 具体的には、提案したINRは、動的光音響画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。 ネットワークの重みは、外部のトレーニングデータセットや以前のイメージを必要とせずに、取得したスパースセンサーデータからのみ学習される。 提案手法は,INRが提供する強い暗黙的連続性正規化と,低ランク性および疎性性の明示的正規化から,2つの異なる疎性条件下での従来の復元方法よりも優れ,アーティファクトを効果的に抑制し,画像品質の確保に寄与する。

関連論文リスト

• Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders [0.0]
  共焦点レーザー走査顕微鏡の限界に対処する物理インフォームド・ディープラーニング・フレームワークを提案する。 このモデルは、畳み込み層と転置畳み込み層を用いて、ノイズの多い入力から高忠実度画像を再構成する。
  論文  参考訳（メタデータ） (2025-01-24T18:32:34Z)
• Limited-View Photoacoustic Imaging Reconstruction Via High-quality Self-supervised Neural Representation [4.274771298029378]
  HIgh-quality Self-supervised Neural representation (HIS) と呼ばれる自己教師ネットワークを導入する。 HISは、限られた視点で取得したセンサデータから高品質な光音響画像を再構成するために、光音響イメージングの逆問題に取り組む。 その結果,提案したHISモデルは,光音響画像再構成によく用いられる3つの手法と比較して,画質が優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-04T06:07:54Z)
• Enhancing Dynamic CT Image Reconstruction with Neural Fields and Optical Flow [0.0]
  偏微分方程式に基づく動的逆問題に対する明示的運動正規化器の導入の利点を示す。 また、ニューラルネットワークをグリッドベースの解法と比較し、前者はPSNRで後者より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-03T13:07:29Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• 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)
• Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction [11.661657147506519]
  Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。 本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
  論文  参考訳（メタデータ） (2022-12-31T05:43:21Z)
• 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)
• 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)
• AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data [1.7237160821929758]
  光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。 本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。 次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T03:49:30Z)
• 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。