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...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2022
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1146/1/1Obando.pdf |
| Aporte de: |
| Sumario: | 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. |
|---|