ترجمه فارسی مقاله بازسازی تصویر اپتوکوستیک مبتنی بر مدل عمیق کارآمد

چکیده

Clinical adoption of multispectral optoacoustic tomography necessitates improvements of the image quality available in real-time, as well as a reduction in the scanner financial cost. Deep learning approaches have recently unlocked the reconstruction of high-quality optoacoustic images in real-time. However, currently used deep neural network architectures require powerful graphics processing units to infer images at sufficiently high frame-rates, consequently greatly increasing the price tag. Herein we propose EfficientDeepMB, a relatively lightweight (17M parameters) network architecture achieving high frame-rates on medium-sized graphics cards with no noticeable downgrade in image quality. EfficientDeepMB is built upon DeepMB, a previously established deep learning framework to reconstruct high-quality images in real-time, and upon EfficientNet, a network architectures designed to operate of mobile devices. We demonstrate the performance of EfficientDeepMB in terms of reconstruction speed and accuracy using a large and diverse dataset of in vivo optoacoustic scans. EfficientDeepMB is about three to five times faster than DeepMB: deployed on a medium-sized NVIDIA RTX A2000 Ada, EfficientDeepMB reconstructs images at speeds enabling live image feedback (59Hz) while DeepMB fails to meets the real-time inference threshold (14Hz). The quantitative difference between the reconstruction accuracy of EfficientDeepMB and DeepMB is marginal (data residual norms of 0.1560 vs. 0.1487, mean absolute error of 0.642 vs. 0.745). There are no perceptible qualitative differences between images inferred with the two reconstruction methods.

چکیده به فارسی (ترجمه ماشینی)

اتخاذ بالینی توموگرافی نوری چند قطبی ، نیاز به بهبود کیفیت تصویر موجود در زمان واقعی و همچنین کاهش هزینه مالی اسکنر دارد.رویکردهای یادگیری عمیق اخیراً بازسازی تصاویر بینایی با کیفیت بالا در زمان واقعی را باز کرده است.با این حال ، در حال حاضر از معماری های شبکه عصبی عمیق استفاده می شود ، به واحدهای پردازش گرافیکی قدرتمند نیاز دارند تا تصاویر را با نرخ قاب به اندازه کافی استنباط کنند ، در نتیجه برچسب قیمت را تا حد زیادی افزایش می دهند.در اینجا ما پیشنهاد می کنیم کارآمد Deepmb ، یک معماری شبکه نسبتاً سبک (17M پارامترهای) که به نرخ های قاب بالا در کارتهای گرافیکی متوسط ​​و بدون کاهش قابل توجه در کیفیت تصویر دست می یابند.کارآمد DeepMB ، یک چارچوب یادگیری عمیق که قبلاً تأسیس شده است برای بازسازی تصاویر با کیفیت بالا در زمان واقعی و بر روی کارآمد ، معماری شبکه ای که برای کارکرد دستگاه های تلفن همراه طراحی شده است ، ساخته شده است.ما عملکرد کارآمد DeepMB را از نظر سرعت و دقت بازسازی با استفاده از یک مجموعه داده بزرگ و متنوع از اسکن های نوری در داخل بدن نشان می دهیم.کارآمد DeepMB حدود سه تا پنج برابر سریعتر از DeepMB است: مستقر در یک NVIDIA RTX A2000 ADA با اندازه متوسط ​​، بازسازی تصاویر با سرعت و کارآیی باعث بازخورد تصویر زنده (59 هرتز) می شود در حالی که DeepMB نتواند با آستانه استنتاج زمان واقعی (14Hz) دیدار کند.تفاوت کمی بین دقت بازسازی کارآمد DefficientDeepMB و DeepMB حاشیه ای است (هنجارهای باقیمانده داده های 0.1560 در مقابل 0.1487 ، میانگین خطای مطلق 0.642 در مقابل 0.745).هیچ تفاوت کیفی قابل درک بین تصاویر استنباط شده با دو روش بازسازی وجود ندارد.