Jun, 2023

超越模拟：使用组织仿生幻影的数据驱动定量光声成像

PDF
TL;DR该研究介绍了制备成像模型，使光吸收系数的恢复通过深度学习和实验数据来减少证明了深度学习能够提高量化光声成像的可行性。
photoacoustic imagingabsorption coefficient recoveryimaging phantomsu-netdeep learning
发现论文，激发创造
  • 基于分布信息且波长灵活的数据驱动光声血氧测量

    本研究通过引入循环神经网络架构，解决了光声成像中现有数据驱动方法在血氧估计方面的不灵活性，并提出了 Jensen-Shannon 散度用于预测最适合的训练数据集，从而为临床应用提供了可靠的光声血氧饱和度估计方向。

    Mar, 2024

  • 基于学习的线性阵列光声 / 超声成像声速重建和像差校正

    研究开发了一个基于深度学习的框架，利用双模式光声 / 超声成像系统共享的临床超声探头对声速进行了重建和异常修正，以供准确的光声成像重建，在仿真的 US 数据上经过训练的网络也表现出良好的泛化能力。

    Jun, 2023

  • 基于评分的扩散模型在光声断层成像重建中的应用

    使用基于得分的扩散模型解决有限 PAT 测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。

    Mar, 2024

  • 利用扩散模型加快光声成像速度

    通过使用扩散模型，利用 “DiffPam” 算法来加速光声成像过程。研究发现 DiffPam 在重构欠采样的光声显微镜图像方面具有可比性，并且无需大量数据集或深度学习模型的训练。这项研究强调了对具有有限人工智能专业知识和计算资源的研究人员来说，DiffPam 算法的重要性。

    Dec, 2023

  • 深度学习在光声成像中的联合分割与图像重建及误差预测

    利用深度学习提升光声图像重建，通过混合贝叶斯卷积神经网络 (Hybrid-BCNN) 联合预测光声图像和分割带有误差 (不确定性) 预测，通过稀疏的光声图像分段实现在带有光声信号的区域中最小化损失函数以获得更好的预测结果，为光声图像选择自信度超过特定阈值的预测结果。

    Jul, 2024

  • 基于自相似性的手绘涂鸦光声血管造影超分辨率重建

    本文介绍了一种基于深度学习的超分辨率 PAA 方法，该方法使用伪造的 PAA 图像来训练超分辨率模型，以提高其泛化性能。实验结果表明，我们的方法在原始域和交叉域测试中均优于使用真实 PAA 图像训练的模型，并展示了基于深度学习模型伪造图像的超分辨重建质量的提升，说明深度学习模型之间的协作可以促进泛化能力，尽管初始数据集有限。

    May, 2023

  • 直接从光学显微观测中学习成像机理

    利用自监督学习，提出一种物理信息掩蔽自动编码器 (PiMAE)，能够通过直接从原始显微图像中学习估计点扩散函数 (PSF) 和发射源的值，这种方法优于传统方法，展示了可行的机制实现在光学显微镜中实现更精确的成像。

    Apr, 2023

  • 利用可逆神经网络进行光学成像模态的不确定性感知性能评估

    该研究提出了一种新方法来评估光学成像技术，该方法基于可逆神经网络的概念，将多光谱测量映射到全概率分布中以表示解的不确定性，可以帮助优化光学相机设计。

    Mar, 2019

  • 多任务逆问题中的自加权贝叶斯物理推测神经网络和鲁棒估计在孔隙尺度溶解成像中的应用

    我们提出了一种新的孔隙尺度成像数据同化策略，并通过不确定性量化，展示了它能够稳健地解决反应性反问题。

    Aug, 2023

  • 计算特异性相位成像（PICS）：用于测量亚细胞区域干重变化的方法

    利用量化相位成像和人工智能技术结合的 PICS，可以提供高度特异性的未标记活细胞信息，并为长期无标签成像的生物应用提供了一种多功能定量技术。

    Feb, 2020