Sep, 2023

基于 CMOS 传感器阵列的微尺度三维电容层析成像

PDF
TL;DR采用电容层析成像技术 (ECT)，利用 CMOS 微电极阵列实现对聚合物微球和细菌生物膜的显像，达到 10 微米的空间分辨率。提出了深度学习架构和改进的多目标训练方案，用于从传感器测量中重建出平面外的介电常数图。实验结果表明，该方法能够解析微观三维结构，在微球数据集上的预测准确率达到 91.5%，在生物膜数据集上达到 82.7%，较基准计算方法平均提高 4.6%。
electrical capacitance tomographyectmicrospheresbacterial biofilmsdeep learning architecture
发现论文，激发创造
  • 使用 CGANs 从电容测量重建层析成像

    本文提出了一种基于 CGAN 模型的 ECT 图像重建方法，并在 320K 合成图像测量对上进行了测试，结果表明该方法相较传统和其他深度学习算法的成像效果更好。

    Sep, 2022

  • 深度卡尔德隆电阻抗成像方法

    本研究针对现有方法进行了改进，从而提出了一种复杂阻抗层析成像技术，该技术通过使用卷积神经网络对成像结果进行后处理，以改善成像的分辨率和准确性。实验结果表明，该方法能够显著提高标准 Calderón 方法的性能。

    Apr, 2023

  • SHREC 2021: 冷冻电子断层扫描的分类

    本文介绍了为了促进计算方法的创新，生成了一个新的模拟数据集，用于评估在 cryo - 电子断层扫描中蛋白质的定位和分类的不同方法。我们评估了七种不同的方法，包括基于学习的方法和传统方法，结果表明学习方法比传统方法具有更好的定位和分类性能，并且所有方法的性能与粒子大小之间存在负相关关系。

    Mar, 2022

  • 电阻抗成像：深度学习与基于分析的方法的公平比较研究

    使用电阻抗成像（EIT）技术解决 EIT 反问题的方法进行了综述，重点考察了基于深度学习和传统分析方法之间的相互作用，评估它们在重建复杂电导率分布方面的能力，并引入了具有变化电导率情景的评估方法，以模拟组织或材料在现实场景中呈现空间变化的电学特性。

    Oct, 2023

  • 三维纳米级集成电路成像的深度自监督 ptycho-laminography 加速技术

    本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

    Apr, 2023

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • NeST: 利用三维光弹性进行神经应力张量层析成像

    通过应力诱导双折射，光弹性能使透明物体的压力分析变得全场，但现有技术只限于二维切片且需要对物体进行破坏性切割。我们引入了 NeST，这是一种通过极化测量从神经隐式表示重建三维应力张量场的分析合成方法。我们的关键见解是使用基于琼斯计算的可微分正向模型共同处理相位展开和张量层析成像。我们开发了一个实验性的多轴偏振仪设置来捕捉三维光弹性，并在实验中展示了 NeST 对具有不同形状和受力条件的物体内部应力分布的重建。此外，我们展示了应力分析中的新颖应用，例如通过虚拟切割物体来可视化光弹性条纹并从未见过的视角观察光弹性条纹。NeST 为可扩展的非破坏性三维光弹性分析铺平了道路。

    Jun, 2024

  • 基于数据驱动的电阻抗断层成像部分边界数据分割方法

    电阻抗层析成像是一种非侵入性成像方法，在医疗和工业领域具有重要应用。本文介绍了三种基于数据驱动的电阻抗层析成像重建方法，其中一种方法在 2023 年的 Kuopio 层析挑战赛中获得第一名。这三种方法都基于类似的神经网络，并利用合成数据集进行训练，从而提供了这些不同数据驱动重建方法的公平比较机会。

    May, 2024

  • 一种从电子鼻中提取掺杂导电聚合物信息特征的时间滤波器

    通过优化线性分类器的 ' 模式匹配 ' 描述符，研究了 24 维电导率电子鼻的相对阻抗和电流调制，允许识别不同类别的信息模式，并无人监督地对环境进行聚类。通过其电子实现，该研究可减少电导率电子鼻在无人监督的情况下对环境识别的计算要求。

    Jan, 2024

  • 使用深度学习解决电阻抗成像技术

    本文提出了使用深度神经网络解决电抗层析成像（EIT）问题的新方法。通过线性摄动分析正向映射并基于数值低秩性质，我们针对二维和三维问题提出了紧凑的神经网络结构，并证明了所提出的神经网络的高效性。

    Jun, 2019