Tomografía de proyección óptica acelerada mediante aprendizaje profundo

Recientemente, el campo de los problemas lineales inversos se ha beneficiado enormemente de técnicas basadas en aprendizaje profundo en la tarea esencial de recuperar una señal a partir de un bajo número de muestras. En el campo de la reconstrucción de imágenes, los recientes abordajes involucran la...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Obando, Marcos A.
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2022
Materias:
Procesamiento de imágenes
[Optical tomography
Tomografía óptica
Accelerated acquisition
Adquisición acelerada
Deep learning
Aprendizaje profundo]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/1146/1/1Obando.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-1146
record_format dspace
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Procesamiento de imágenes
[Optical tomography
Tomografía óptica
Accelerated acquisition
Adquisición acelerada
Deep learning
Aprendizaje profundo]
spellingShingle Procesamiento de imágenes
[Optical tomography
Tomografía óptica
Accelerated acquisition
Adquisición acelerada
Deep learning
Aprendizaje profundo]
Obando, Marcos A.
Tomografía de proyección óptica acelerada mediante aprendizaje profundo
topic_facet Procesamiento de imágenes
[Optical tomography
Tomografía óptica
Accelerated acquisition
Adquisición acelerada
Deep learning
Aprendizaje profundo]
description Recientemente, el campo de los problemas lineales inversos se ha beneficiado enormemente de técnicas basadas en aprendizaje profundo en la tarea esencial de recuperar una señal a partir de un bajo número de muestras. En el campo de la reconstrucción de imágenes, los recientes abordajes involucran la extensión de la resolución de problemas inversos mediante redes neuronales profundas como funciones promotoras a dominios ralos. Por su ventaja computacional, la evaluación de estos entornos, conocidos como redes profundas desenrolladas, usualmente se halla limitada a la reconstrucción de imágenes por resonancia magnética (MRI). En este trabajo, proponemos ToMoDL (Tomographic Model-based Deep Learning), una arquitectura desenrollada para tratar el problema de acelerar la adquisición de tomografías de proyección óptica (OPT), una técnica mesoscópica para obtener imágenes de muestras biológicas translúcidas. Utilizando doce volúmenes de proyecciones angulares de peces cebra (Danio Rerio) conteniendo diferentes secciones y días post fertilización de 5 especímenes, nuestro enfoque aborda un conjunto de datos con alta variabilidad en términos de intensidad y estructura, así como un problema usualmente pasado por alto en la aplicación de redes basadas en modelo: tomografía computada [3]. Dado que en su mayoría, los dispositivos OPT son diseñados a medida del laboratorio que hace su uso, las proyecciones crudas han sido tratadas cuidadosamente para evitar artefactos de reconstrucción producidos por desalineación del sistema óptico. Por otro lado, la integración del operador de Radon en un esquema de diferenciación automática ha sido problemática hasta la aparición de recientes avances en soluciones compatibles con librerías de aprendizaje profundo. Mediante la minimización del error cuadrático medio y la medida del índice de similaridad estructural en un mapeo desenrollado con un número finito de iteraciones, la validación cruzada de ToMoDL muestra resultados de alta calidad incluso con un 5% de las proyecciones adquiridas. Los mismos usualmente superan el desempeño de reconstrucción que el estado del arte, conformado por métodos de compressed sensing, resuelto mediante Two-Step Iterative Shrinkage/Thresholding (TwIST) y arquitecturas supervisadas de tipo U-Net. Por ultimo, desarrollamos un análisis extensivo de ciertos inconvenientes en la reconstrucción anatómica de la estructura del pez cebra, para los cuales las soluciones analíticas presentan la mejor alternativa.
format Tesis
NonPeerReviewed
author Obando, Marcos A.
author_facet Obando, Marcos A.
author_sort Obando, Marcos A.
title Tomografía de proyección óptica acelerada mediante aprendizaje profundo
title_short Tomografía de proyección óptica acelerada mediante aprendizaje profundo
title_full Tomografía de proyección óptica acelerada mediante aprendizaje profundo
title_fullStr Tomografía de proyección óptica acelerada mediante aprendizaje profundo
title_full_unstemmed Tomografía de proyección óptica acelerada mediante aprendizaje profundo
title_sort tomografía de proyección óptica acelerada mediante aprendizaje profundo
publishDate 2022
url http://ricabib.cab.cnea.gov.ar/1146/1/1Obando.pdf
work_keys_str_mv AT obandomarcosa tomografiadeproyeccionopticaaceleradamedianteaprendizajeprofundo
_version_ 1812569760180731904
spelling I25-R131-11462023-08-11T14:48:05Z Tomografía de proyección óptica acelerada mediante aprendizaje profundo Deep learning methods for accelerated optical projection tomography Obando, Marcos A. Procesamiento de imágenes [Optical tomography Tomografía óptica Accelerated acquisition Adquisición acelerada Deep learning Aprendizaje profundo] Recientemente, el campo de los problemas lineales inversos se ha beneficiado enormemente de técnicas basadas en aprendizaje profundo en la tarea esencial de recuperar una señal a partir de un bajo número de muestras. En el campo de la reconstrucción de imágenes, los recientes abordajes involucran la extensión de la resolución de problemas inversos mediante redes neuronales profundas como funciones promotoras a dominios ralos. Por su ventaja computacional, la evaluación de estos entornos, conocidos como redes profundas desenrolladas, usualmente se halla limitada a la reconstrucción de imágenes por resonancia magnética (MRI). En este trabajo, proponemos ToMoDL (Tomographic Model-based Deep Learning), una arquitectura desenrollada para tratar el problema de acelerar la adquisición de tomografías de proyección óptica (OPT), una técnica mesoscópica para obtener imágenes de muestras biológicas translúcidas. Utilizando doce volúmenes de proyecciones angulares de peces cebra (Danio Rerio) conteniendo diferentes secciones y días post fertilización de 5 especímenes, nuestro enfoque aborda un conjunto de datos con alta variabilidad en términos de intensidad y estructura, así como un problema usualmente pasado por alto en la aplicación de redes basadas en modelo: tomografía computada [3]. Dado que en su mayoría, los dispositivos OPT son diseñados a medida del laboratorio que hace su uso, las proyecciones crudas han sido tratadas cuidadosamente para evitar artefactos de reconstrucción producidos por desalineación del sistema óptico. Por otro lado, la integración del operador de Radon en un esquema de diferenciación automática ha sido problemática hasta la aparición de recientes avances en soluciones compatibles con librerías de aprendizaje profundo. Mediante la minimización del error cuadrático medio y la medida del índice de similaridad estructural en un mapeo desenrollado con un número finito de iteraciones, la validación cruzada de ToMoDL muestra resultados de alta calidad incluso con un 5% de las proyecciones adquiridas. Los mismos usualmente superan el desempeño de reconstrucción que el estado del arte, conformado por métodos de compressed sensing, resuelto mediante Two-Step Iterative Shrinkage/Thresholding (TwIST) y arquitecturas supervisadas de tipo U-Net. Por ultimo, desarrollamos un análisis extensivo de ciertos inconvenientes en la reconstrucción anatómica de la estructura del pez cebra, para los cuales las soluciones analíticas presentan la mejor alternativa. Linear inverse problems have greatly benefited from deep learning techniques in the paramount goal of recovering a signal from a small number of measurements. In the field of image reconstruction, recent approaches involve the augmentation of traditional inverse problem solvers with neural networks as sparsifying functions. Given its computational tractability, gold standards for validating these frameworks, often known as deep unrolled architectures, are usually limited to magnetic resonance imaging (MRI) reconstructions. We propose ToMoDL (Tomographic Model-based Deep Learning), a deep unrolled architecture for tackling the problem of accelerating the acquisition of optical projection tomography (OPT), a mesoscopic technique for imaging biological translucid samples. Using twelve volumes of zebrafish (Danio Rerio) angular projections from four longitudinal sections and different days post-fertilisation, our approach deals with an extremely variable dataset in terms of intensity and structure, as well as an often overlooked problem in model-based deep learning: tomography reconstruction. Since many, if not most, OPT devices are custom-built, raw projections have been carefully curated to avoid reconstruction artifacts due to misalignment. On the other hand, integrating Radon operator blocks into an automatic differentiation scheme has been thorny until recent advances in PyTorch-compatible solutions arose. By minimizing the mean square error and structural similarity index metric in a fixed-iteration unrolled mapping, our cross-validated results show a reasonably high quality reconstruction with even a 5% of the acquired projections, achieving a considerably better performance than compressed sensing methods such as Two-Step Iterative Shrinkage/Thresholding (TwIST) and U-Net architectures. We also analyze problematic reconstruction issues regarding the anatomical structure of zebrafish, where analytical solutions may be chosen instead. 2022-12-16 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1146/1/1Obando.pdf es Obando, Marcos A. (2022) Tomografía de proyección óptica acelerada mediante aprendizaje profundo / Deep learning methods for accelerated optical projection tomography. Maestría en Ingeniería, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1146/

Ejemplares similares