論文の概要: Estimating Spatially Resolved Radiation Fields Using Neural Networks

• arxiv url: http://arxiv.org/abs/2512.17654v1
• Date: Fri, 19 Dec 2025 14:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.444521
• Title: Estimating Spatially Resolved Radiation Fields Using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた空間分解放射線場の推定
• Authors: Felix Lehner, Pasquale Lombardo, Susana Castillo, Oliver Hupe, Marcus Magnor,
• Abstract要約: 医療放射線分野における放射線防護線量測定のための散乱照射場の空間分布を推定するために,ニューラルネットワークを構築し,訓練する方法を示す。 Geant4をベースとしたモンテカルロシミュレーションアプリケーションを用いて,学習の複雑さを増大させる3つの異なる合成データセットを提案する。
• 参考スコア（独自算出の注目度）: 1.076535942003539
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present an in-depth analysis on how to build and train neural networks to estimate the spatial distribution of scattered radiation fields for radiation protection dosimetry in medical radiation fields, such as those found in Interventional Radiology and Cardiology. Therefore, we present three different synthetically generated datasets with increasing complexity for training, using a Monte-Carlo Simulation application based on Geant4. On those datasets, we evaluate convolutional and fully connected architectures of neural networks to demonstrate which design decisions work well for reconstructing the fluence and spectra distributions over the spatial domain of such radiation fields. All used datasets as well as our training pipeline are published as open source in separate repositories.
• Abstract（参考訳）: 本稿では, 医療放射線分野における放射線防護線量測定のための散乱照射場の空間分布を, インターベンショナル放射線学や心臓学などの医療放射線分野において推定するためのニューラルネットワークの構築と訓練方法について, 詳細な分析を行った。 そこで、Geant4に基づくモンテカルロシミュレーションアプリケーションを用いて、学習の複雑さを増大させる3つの異なる合成データセットを提案する。 これらのデータセットを用いて、ニューラルネットワークの畳み込みと完全に連結されたアーキテクチャを評価し、これらの放射場の空間領域上のフラエンスとスペクトル分布の再構成にどの設計決定がうまく機能するかを示す。 使用済みデータセットとトレーニングパイプラインはすべて、別リポジトリでオープンソースとして公開されています。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Radiolunadiff: Estimation of wireless network signal strength in lunar terrain [37.61545165066493]
  月面上の無線地図を予測するための物理インフォームド深層学習アーキテクチャを提案する。 提案手法は,NASAの公開データから得られるリアルな地形を生成する物理ベースの月面地形生成装置と,電波伝搬シナリオの高忠実度データセットを作成するレイトレーシングエンジンを統合したものである。
  論文  参考訳（メタデータ） (2025-09-18T02:44:05Z)
• RadField3D: A Data Generator and Data Format for Deep Learning in Radiation-Protection Dosimetry for Medical Applications [1.3980986259786223]
  ドシメトリのための3次元放射場データセットを生成するために,オープンソースのGeant4ベースのモンテカルロシミュレーションアプリケーションRadField3Dを提案する。 伴って、RadFiled3Dと呼ばれるニューラルネットワーク研究への統合を容易にするために、Python APIを使った高速で機械解釈可能なデータフォーマットを導入しました。
  論文  参考訳（メタデータ） (2024-12-18T13:47:37Z)
• SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
  本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。 拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。 本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
  論文  参考訳（メタデータ） (2024-03-18T05:10:13Z)
• k* Distribution: Evaluating the Latent Space of Deep Neural Networks using Local Neighborhood Analysis [7.742297876120561]
  ここでは,k*分布とその可視化手法を紹介する。 本手法では, サンプル分布の構造の保存を保証するため, 局所的近傍解析を用いる。 実験により、ネットワークの学習潜在空間内のサンプルの分布は、クラスによって大きく異なることが示された。
  論文  参考訳（メタデータ） (2023-12-07T03:42:48Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping [14.433784957457632]
  ニューラルドメトリー,ニューラルマッピング,メッシュ再構成の3つのモジュールからなる新しいNeRF-LOAMを提案する。 提案手法は,LiDARデータを用いた大規模環境において,最先端のオドメトリーとマッピング性能を実現するとともに,強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-03-19T16:40:36Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)

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。