抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
自由オープンソース3Dモデリングとレンダリングソフトウェア,混合器を用いて合成的に生成された空間周波数領域イメージング(SFDI)画像データセットを用いて,光特性マップ(散乱と吸収)の予測のために,Generative Adversarial Network(GAN)の訓練を実証した。ブレンド物の柔軟性は,疾患組織の臨床SFDIに対する実生活関連性を有する3つのモデル,すなわち,平坦な試料,球状腫瘍を有する平坦な試料,および管状器官,例えば,胃-腸管の内側のイメージングを表す球状腫瘍を有する円柱状サンプルをシミュレーションするために活用される。3つのシナリオすべてにおいて,GANは単一SFDI画像からの光学特性の正確な再構成を示し,平均正規化誤差が11.2%から散乱が0.7-1.2%であり,腫瘍スフェロイド構造に対する視覚的に改善されたコントラストをもたらした。これは,実験SFDIデータ上でGANを用いて達成された25%の吸収誤差と10%の散乱誤差に匹敵する。しかし,この改善の幾つかは,完全なグランドトルースのより低いノイズとアベイラビリティのためであり,従って,著者らの合成訓練されたGANを,実験データで訓練されたGANとクロスバリデートし,空間周波数ミスマッチアーチファクトの存在のため,吸収に対して<40%の誤差と散乱に対して<25%の誤差で,視覚的に正確な結果を観察する。したがって,著者らの合成訓練GANは実際の実験サンプルと非常に関連するが,大きな訓練データセット,完全な地上-トラス,および実際の画像形状,例えば,従来の単一ショット復調アルゴリズムが存在しない,の,実際の画像形状をテストする能力,の有意の追加利点を提供する。将来,ハイブリッド実合成データセットへのドメイン適応または訓練のような技術の適用が,実際の臨床イメージングシステムからの光学特性マップの高速,正確な生産のための強力なツールを創造することが期待される。【JST・京大機械翻訳】