mHealth hyperspectral learning for instantaneous spatiospectral imaging of hemodynamics

要約

タイトル：ヘモダイナミクスの瞬時の空間光谷光スペクトルイメージングのためのmHealth hyperspectral learning

要約：

– ハイパースペクトルイメージングは、物理的または生物学的情報を提供するために、空間領域と周波数領域のデータを取得する。しかし、従来のハイパースペクトルイメージングには、大型機器、低速データ取得レート、空間光スペクトルトレードオフという固有の制限がある。
– ここでは、スナップショットハイパースペクトルイメージングのためのハイパースペクトル学習を紹介する。これは、小さな領域でサンプリングされたハイパースペクトルデータを学習アルゴリズムに統合することにより、ハイパーキューブを回復する方法である。ハイパースペクトル学習は、写真が単なる写真ではなく、詳細なスペクトル情報を含むという考えを利用している。少量のハイパースペクトルデータをサンプリングすることによって、RGBイメージからハイパーキューブを回復するスペクトルに基づく学習が可能となる。ハイパースペクトル学習により、科学的分光計の高スペクトル分解能に匹敵する、完全な分光解像度のハイパーキューブを回復することができる。また、ハイパースペクトル学習は、オフシェルフスマートフォンでの超低速ビデオ録画を利用して超高速動的イメージングを可能にし、ビデオは複数のRGBイメージの時系列を含むためである。
– 実験モデルを用いて、血管形成のヘモダイナミックパラメータを統計学的および深層学習アプローチを介して抽出することで、バーサルミクロ循環の血液動力学を超高速時間分解能まで評価し、従来のスマートフォンカメラを使用する。
– この学習に基づくスナップショットハイパースペクトルイメージング方法は、圧縮センシングに類似しているが、信頼性の高いハイパーキューブの回復とキーの特徴抽出を透明な学習アルゴリズムで可能とする。この学習駆動型スナップショットハイパースペクトルイメージング方法は、高い分光解像度と時間分解能を提供し、空間光スペクトルトレードオフを排除し、機械学習技術の様々な応用に適用可能で、ハードウェア要件が簡単である。

要約(オリジナル)

Hyperspectral imaging acquires data in both the spatial and frequency domains to offer abundant physical or biological information. However, conventional hyperspectral imaging has intrinsic limitations of bulky instruments, slow data acquisition rate, and spatiospectral tradeoff. Here we introduce hyperspectral learning for snapshot hyperspectral imaging in which sampled hyperspectral data in a small subarea are incorporated into a learning algorithm to recover the hypercube. Hyperspectral learning exploits the idea that a photograph is more than merely a picture and contains detailed spectral information. A small sampling of hyperspectral data enables spectrally informed learning to recover a hypercube from an RGB image. Hyperspectral learning is capable of recovering full spectroscopic resolution in the hypercube, comparable to high spectral resolutions of scientific spectrometers. Hyperspectral learning also enables ultrafast dynamic imaging, leveraging ultraslow video recording in an off-the-shelf smartphone, given that a video comprises a time series of multiple RGB images. To demonstrate its versatility, an experimental model of vascular development is used to extract hemodynamic parameters via statistical and deep-learning approaches. Subsequently, the hemodynamics of peripheral microcirculation is assessed at an ultrafast temporal resolution up to a millisecond, using a conventional smartphone camera. This spectrally informed learning method is analogous to compressed sensing; however, it further allows for reliable hypercube recovery and key feature extractions with a transparent learning algorithm. This learning-powered snapshot hyperspectral imaging method yields high spectral and temporal resolutions and eliminates the spatiospectral tradeoff, offering simple hardware requirements and potential applications of various machine-learning techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI