深い学習を用いた透過X線顕微鏡のための制限角度トモグラフィー【JST・京大機械翻訳】

Huang Yixing; Wang Shengxiang; Wang Shengxiang; Guan Yong; Maier Andreas; Maier Andreas

文献

J-GLOBAL ID：202002240423189877 整理番号：20A0656307

深い学習を用いた透過X線顕微鏡のための制限角度トモグラフィー【JST・京大機械翻訳】

Limited angle tomography for transmission X-ray microscopy using deep learning

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A0656307&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0656307&from=J-GLOBAL&jstjournalNo=W0763A") }}

著者 (6件)： , , , , ,
資料名：
巻： 27 号： 2 ページ： 477-485 発行年： 2020年
JST資料番号： W0763A ISSN： 0909-0495 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

透過型X線顕微鏡(TXM)システムにおいて,走査試料の回転は,ある傾斜角における他のシステム部分または高減衰との衝突を避けるために,限られた角度範囲に制限される可能性がある。このような限られた角度データからの画像再構成は,欠落したデータのためにアーチファクトを被る。本研究において,深い学習を,初めて,TXMにおける限られた角度再構成に適用した。訓練のための十分な実データを得るための挑戦により,合成データから深いニューラルネットワークを訓練することを研究した。特に,生物医学画像における最先端のニューラルネットワークであるU-netは,合成楕円データと多重カテゴリーデータから訓練され,フィルタ化逆投影(FBP)再構成画像におけるアーチファクトを低減する。提案した方法を,100°制限角度トモグラフィーにおける合成データと実際の走査クロレラデータについて評価した。合成試験データに対して,Uネットは,FBP再構成における平均二乗誤差(RMSE)を2.55×10~-3μm~-1からUネット再構成における1.21×10~3μm-1に有意に減少させ,また構造類似性(SSIM)指数を0.625から0.920に改善した。測定された投影の重み付き加重最小二乗雑音除去により,RMSEとSSIMは,それぞれ1.16×10~-3μm~-1と0.932に改善された。実際の試験データに対して,提案した方法はクロレラ細胞における細胞内構造の3D可視化を著しく改善し,生物学,ナノ科学及び材料科学におけるナノスケール画像化に対する重要な価値を示した。Copyright 2020 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

著者キーワード (3件)： , ,

X線技術 , X線回折法

, , , ,

前のページに戻る