Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media

要約

組織などの散乱媒体の光学特性の推定は、診断だけでなく、より深く画像化する技術の開発においても重要です。
光がサンプルを透過すると、散乱現象が発生し、光子の伝播方向がランダムに変化し、画質の劣化につながります。
ただし、散乱光の分布により、換算散乱係数や吸収係数などの光学特性の尺度が得られます。
残念ながら、特に光が部分的にランダム化されている領域では、散乱パターンを反転して光学特性を回復することは簡単ではありません。
機械学習は、後方散乱光または透過光からこれらの特性を回復する手段として数人の著者によって提案されています。
この論文では、モンテカルロ シミュレーションに基づいたシミュレートされたデータを使用して、汎用畳み込みニューラル ネットワーク RESNET 50 をトレーニングします。
以前の研究と比較して、私たちのアプローチは、はるかに小さいデータセットでのトレーニングで同等またはそれ以上の再構成精度を提供することを示します。
さらに、複数の平面での強度分布や出射角と空間分布などの複数のパラメータでトレーニングすることにより、サンプル表面で捕捉された強度分布などの単一入力でトレーニングする場合と比較してパフォーマンスが向上します。
私たちのアプローチは良好なパラメーターの再構成を提供しますが、回復された特性、特に吸収係数の精度を制限する要因を特定します。
これらの制限を考慮して、現在のアプローチをどのように強化してパフォーマンスをさらに向上できるかを提案します。

要約(オリジナル)

Estimation of the optical properties of scattering media such as tissue is important in diagnostics as well as in the development of techniques to image deeper. As light penetrates the sample scattering events occur that alter the propagation direction of the photons in a random manner leading degradation of image quality. The distribution of the scattered light does, however, give a measure of the optical properties such as the reduced scattering coefficient and the absorption coefficient. Unfortunately, inverting scattering patterns to recover the optical properties is not simple, especially in the regime where the light is partially randomized. Machine learning has been proposed by several authors as a means of recovering these properties from either the back scattered or the transmitted light. In the present paper, we train a general purpose convolutional neural network RESNET 50 with simulated data based on Monte Carlo simulations. We show that compared with previous work our approach gives comparable or better reconstruction accuracy with training on a much smaller dataset. Moreover, by training on multiple parameters such as the intensity distribution at multiple planes or the exit angle and spatial distribution one achieves improved performance compared to training on a single input such as the intensity distribution captured at the sample surface. While our approach gives good parameter reconstruction, we identify factors that limit the accuracy of the recovered properties, particularly the absorption coefficient. In the light of these limitations, we suggest how the present approach may be enhanced for even better performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google