Материал портала ядерных знаний BelNET
статья/документ по запросу ресурса "1394"
2021-07-30 Ключевые слова: Imaging and sensing, Microscopy На сайте Phys.org опубликована статья "Deep learning improves image reconstruction in optical coherence tomography using less data" - "Глубокое обучение улучшает реконструкцию изображений в оптической когерентной томографии с использованием меньшего количества данных".
Глубокое обучение (глубинное обучение; англ. Deep learning) — совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям (англ. feature/representation learning), а не специализированным алгоритмам под конкретные задачи. Оптическая когерентная томография (ОКТ) - это неинвазивный метод визуализации, который может предоставить трехмерную информацию о биологических образцах. Первое поколение систем ОКТ основывалось на построении изображений во временной области с использованием установки механического сканирования. Однако относительно низкая скорость сбора данных этих более ранних систем ОКТ во временной области частично ограничивала их использование для визуализации живых образцов. Внедрение методов ОКТ в спектральной области с более высокой чувствительностью способствовало резкому увеличению скорости и качества изображения. В настоящее время ОКТ широко используется в диагностической медицине, например в офтальмологии, для неинвазивного получения подробных трехмерных изображений сетчатки и структуры подлежащих тканей. В новой статье, опубликованной в журнале Light: Science & Applications, группа ученых из Калифорнийского университета в Лос-Анджелесе и Университета Хьюстона разработала метод реконструкции ОКТ-изображений, основанный на глубоком обучении, который может успешно генерировать трехмерные изображения образца ткани с использованием значительно меньшего количества спектральных данных, чем обычно требуется. Использование стандартных методов реконструкции изображения, используемых в ОКТ, и спектральные данные с недостаточной дискретизацией, в которых опущены некоторые спектральные измерения, может привести к серьезным пространственным артефактам в реконструированных изображениях, затемнению трехмерной информации и структурных деталей образца, подлежащего визуализации. В своем новом подходе исследователи обучили нейронную сеть, используя глубокое обучение, для быстрого восстановления трехмерных изображений образцов ткани с гораздо меньшим количеством спектральных данных, чем обычно получается в типичной системе ОКТ, успешно удаляя пространственные артефакты, наблюдаемые в стандартных методах восстановления изображений. Подробности см. здесь. Ссылка на публикацию, которая находится в открытом доступе: Yijie Zhang et al, Neural network-based image reconstruction in swept-source optical coherence tomography using undersampled spectral data, Light: Science & Applications. 10, 155 (2021). DOI: 10.1038/s41377-021-00594-7. Загрузить:
|
Вход, регистрация
