S-sequence patterned illumination for fixed-point iterative multiple illumination photoacoustic tomography
Notice bibliographique
Résumé
Fixed-point iteration shows promise for quantitative reconstruction of optical absorption in photoacoustic tomography. However, there are issues that prevent the technique from being practical including: non-uniqueness of scattering and absorption profiles, divergence with over-iteration, and sensitivity to noise. Multiple illumination has been proposed to deal with the first problem, and may help with the second. The issue of noise may be balanced out by increasing the regularization parameter at the expense of the exactness of the reconstruction. In a multiple-illumination setup with a circular geometry where fluence is abundant, using a patterned illumination with a decoding step may provide an alternative which will boost SNR. We present a simple sequence of patterned illuminations based on an S-sequence that serves to improve SNR. While the forward model of the iterative method may be applied directly to the patterned excitations, including the decoding step improves SNR in an individual image by a factor equal to the size of the S-sequence, thus greatly improving convergence for a given value of regularization and SNR. For example, with 15 illuminations, 50-60dB noise levels with S-sequence patterned illuminations gives similar simulated performance to the 70dB case with single-source illuminations. This technique will allow the application of fixed-point iteration techniques in a broader range of SNR conditions without resorting to averaging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».