論文の概要: Implicit Spatiotemporal Bandwidth Enhancement Filter by Sine-activated Deep Learning Model for Fast 3D Photoacoustic Tomography
- arxiv url: http://arxiv.org/abs/2507.20575v1
- Date: Mon, 28 Jul 2025 07:16:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:57.961872
- Title: Implicit Spatiotemporal Bandwidth Enhancement Filter by Sine-activated Deep Learning Model for Fast 3D Photoacoustic Tomography
- Title(参考訳): 高速3次元光音響トモグラフィのためのSine-activated Deep Learning Modelによる入射時帯域拡張フィルタ
- Authors: I Gede Eka Sulistyawan, Takuro Ishii, Riku Suzuki, Yoshifumi Saijo,
- Abstract要約: 高周波半球トランスデューサを用いた3次元光音響トモグラフィ(3D-PAT)は、ほぼ一方向受信を提供する。
しかし、サンプリングレートが制限されたチャンネル数などの実用的な制約は、画像品質を低下させるスパースと帯域制限センサーをもたらすことが多い。
センサワイドPAラジオ周波数(PARF)データに直接適用した2次元ディープラーニング(DL)手法を再検討する。
具体的には、SPF信号のブロードバンド特性を復元するために、DLモデルにsine-activatedを導入します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D photoacoustic tomography (3D-PAT) using high-frequency hemispherical transducers offers near-omnidirectional reception and enhanced sensitivity to the finer structural details encoded in the high-frequency components of the broadband photoacoustic (PA) signal. However, practical constraints such as limited number of channels with bandlimited sampling rate often result in sparse and bandlimited sensors that degrade image quality. To address this, we revisit the 2D deep learning (DL) approach applied directly to sensor-wise PA radio-frequency (PARF) data. Specifically, we introduce sine activation into the DL model to restore the broadband nature of PARF signals given the observed band-limited and high-frequency PARF data. Given the scarcity of 3D training data, we employ simplified training strategies by simulating random spherical absorbers. This combination of sine-activated model and randomized training is designed to emphasize bandwidth learning over dataset memorization. Our model was evaluated on a leaf skeleton phantom, a micro-CT-verified 3D spiral phantom and in-vivo human palm vasculature. The results showed that the proposed training mechanism on sine-activated model was well-generalized across the different tests by effectively increasing the sensor density and recovering the spatiotemporal bandwidth. Qualitatively, the sine-activated model uniquely enhanced high-frequency content that produces clearer vascular structure with fewer artefacts. Quantitatively, the sine-activated model exhibits full bandwidth at -12 dB spectrum and significantly higher contrast-to-noise ratio with minimal loss of structural similarity index. Lastly, we optimized our approach to enable fast enhanced 3D-PAT at 2 volumes-per-second for better practical imaging of a free-moving targets.
- Abstract(参考訳): 高周波半球トランスデューサを用いた3次元光音響トモグラフィ(3D-PAT)は、広帯域光音響(PA)信号の高周波成分に符号化されたより微細な構造の詳細に対して、ほぼ一方向の受信と感度を向上させる。
しかし、サンプリングレートが制限されたチャンネル数などの実用的な制約は、画像品質を低下させるスパースと帯域制限センサーをもたらすことが多い。
そこで本研究では,2次元深層学習(DL)アプローチをセンサワイドPA無線周波数(PARF)データに直接適用する手法を再検討する。
具体的には、観測帯域制限および高周波PARFデータからPARF信号のブロードバンド特性を復元するために、DLモデルに正弦波の活性化を導入する。
3Dトレーニングデータの不足を踏まえ、ランダムな球面吸収体を模擬して簡易なトレーニング戦略を採用する。
この正弦活性化モデルとランダム化トレーニングの組み合わせは、データセット記憶よりも帯域幅学習を強調するように設計されている。
モデルとして, 葉骨格ファントム, 微小CTで検証した3Dスパイラルファントム, および生体内パーム血管について検討した。
その結果, センサ密度を効果的に増加させ, 時空間帯域幅を回復させることにより, 正弦波モデル上でのトレーニング機構が, 異なる試験にわたって良好に一般化されたことがわかった。
定性的には、シネ活性化モデルは、少ない人工物でより鮮明な血管構造を生産する高周波成分を独自に増強する。
シンアクティベートモデルでは、12dBのスペクトルでフル帯域幅を示し、構造的類似度指数の損失を最小限に抑えたコントラスト/ノイズ比を著しく高めている。
最後に, 高速な3D-PATを毎秒2ボリュームで実現し, 高速な3D-PATを実現するためのアプローチを最適化した。
関連論文リスト
- Spectral Domain Neural Reconstruction for Passband FMCW Radars [0.15193212081459279]
本研究では,周波数変調連続波レーダを用いた高忠実度ボリューム再構成のためのニューラルネットワークSpINRv2を提案する。
我々のコアコントリビューションは、クローズドフォーム合成を用いて複雑なレーダ応答をキャプチャする、完全微分可能な周波数領域フォワードモデルである。
細かな範囲の解像度で生じる曖昧なサブビンの曖昧さを解消するために、スパーシリティと正規化を導入する。
論文 参考訳(メタデータ) (2025-06-09T19:21:27Z) - High Volume Rate 3D Ultrasound Reconstruction with Diffusion Models [14.007660129016852]
三次元超音波は解剖学的構造のリアルタイムな体積可視化を可能にする。
高ボリュームと高画質の両方を達成することは、依然として大きな課題である。
本稿では,拡散モデル(DM)を用いて空間的・時間的分解能の向上を図り,新しい3次元超音波再構成手法を提案する。
論文 参考訳(メタデータ) (2025-05-28T08:14:12Z) - Acc3D: Accelerating Single Image to 3D Diffusion Models via Edge Consistency Guided Score Distillation [49.202383675543466]
本稿では,単一画像から3次元モデルを生成する拡散過程の高速化に取り組むために,Acc3Dを提案する。
数段階の推論によって高品質な再構成を導出するため,ランダムノイズ状態におけるスコア関数の学習を規則化する上で重要な課題を強調した。
論文 参考訳(メタデータ) (2025-03-20T09:18:10Z) - Enhancing Free-hand 3D Photoacoustic and Ultrasound Reconstruction using Deep Learning [3.8426872518410997]
本研究では,携帯型光音響・超音波(PAUS)画像における3次元再構成を支援するため,グローバルローカル自己保持モジュール(MoGLo-Net)を用いたモーションベース学習ネットワークを提案する。
MoGLo-Netは、連続した超音波画像内の完全に発達したスペックル領域や高発癌組織領域などの臨界領域を利用して、運動パラメータを正確に推定する。
論文 参考訳(メタデータ) (2025-02-05T11:59:23Z) - Freqformer: Frequency-Domain Transformer for 3-D Visualization and Quantification of Human Retinal Circulation [0.9487097819140653]
Freqformerはトランスフォーマーベースのアーキテクチャで、単一のスキャンから人間の網膜循環を3Dで高解像度で可視化するように設計されている。
提案手法は,最先端の畳み込みニューラルネットワーク(CNN)およびトランスフォーマーモデルより優れる。
Freqformerは網膜循環の理解と特性を著しく改善し、潜在的な臨床応用を提供する。
論文 参考訳(メタデータ) (2024-11-17T22:38:39Z) - 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。
学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
論文 参考訳(メタデータ) (2024-07-08T17:59:54Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳(メタデータ) (2023-12-02T02:27:58Z) - Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。
一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文 参考訳(メタデータ) (2022-11-27T16:27:28Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z)
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。