前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >医学成像之光学基础

医学成像之光学基础

作者头像
机器学习炼丹术
发布2023-09-01 14:04:58
2510
发布2023-09-01 14:04:58
举报

Optics

光子的吸收可以让分子的电子从ground state to an excited state,这个过程叫做激发态excitation。激发态也可以由其他的机制产生,比方说机械的或化学作用。当一个电子被提升到激发态的时候,有几种可能的结果:被激发的电子relax到基态,可以发出光子或热量

  1. 如果产生了另一个光子,激发过程被成为荧光或磷光,这取决于激发电子的寿命
  2. 其他的被称为非辐射松弛。激发电子的寿命定义激发态分子回到基态之前处于激发态的平均时间。发射的光子数与被吸收的光子数的比值称为荧光的量子产量、如果激发分子是在另一个相同电子配置的分子附近,那么能量可能通过excitation energy transfer转移。另一个可能的结果是光化学,就是一个激发的电子实际上转移到了另一个分子上面,这种改变了电子供体和电子受体的化学性质,就像是光合作用一样。

吸收作用的推导

  • absorption coefficient(吸收系数)
\mu_a

is defined as the probability of photon absorption in a medium per unit path length.

  • absorption cross section (吸收截面)
\sigma_a

indicates the absorbing capability, is related to its geometric scross-sectional area

\sigma_g

。吸收截面并不是物理的面积,有一个吸收效率。吸收截面=几何界面面积x吸收效率。

在介质中包含很多的absorbers with number density

N_a

,吸收系数可以视为单位体积吸收的总横截面积:

\mu_a=N_a\sigma_a

.【这里不同的absorber被理解为是独立的】

根据吸收系数的定义,光的在仅吸收介质中的传播系数的衰减如下:

\frac{dI}{I}=-\mu_adx

I是光强度,x是光传播方向的距离。上述公式就是指光在(x,x+dx)区间被吸收的百分比,这是与吸收系数成正比。这里的负号是因为随着x的增加,dx是减小的,因为dI是一个复数。我们可以把上面的公式整合,得到著名的Beer定律:

I(x)=I_0e^{-\mu_ax}

这里

I_0

是初始光强度。比尔定律实际上是使用于曲折tortuous path。透射率transmittance可以被定义为:

T(x)=\frac{I(x)}{I_0}

透射率代表着通过x距离的传播后,依然存活的光的百分比。

散射作用的推导

任何大小的球形粒子的光散射都可以用Mie理论来精确的模拟。如果球形粒子比波长小得多,那么可以简化为更简单的Rayleigh理论。在包含许多随机分布的scatters的散射介质中,光子通常会遇到多个散射时间。如果散射体是稀疏分布的(其中粒子之间的平均距离远远大于散射体的大小和波长),则认为介质是松散排列loosely packed。在这种情况下,散射时间被视为是独立的。因为单散射理论适用于每一个散射事件。

另外一种排列是densely packed密集排列。在这种情况下,散射事件是coupled的,从而单散射理论不适用。我们目前只考虑松散排列的。连续独立散射事件和单个耦合散射事件是完全不同的

  • scattering coefficient (散射系数)
\mu_s

is defined as the probability of photon scattering in a medium per unit path length.

对于单个散射体,散射截面

\sigma_s

表示散射能力。和反射一样,散射截面等于几何散射截面与散射效率的乘积。对于number density 为

N_s

的很多散射体介质,散射系数可以可以计算为:

\mu_s=N_s\sigma_s

通过比尔定律,一个光子传播x距离,不发生散射的概率为:

T(x)=e^{-\mu_sx}

吸收与散射的关系

我的理解是如下:

当光子与物质相互作用时,它可能会被吸收或散射。吸收或散射的概率取决于光子的能量和物质的特性。

吸收发生在光子将其能量转移到原子或分子时,导致电子移动到更高的能级或从原子中被排出。然后,光子被吸收,其能量被转化为吸收材料的内部能量。吸收的概率取决于光子的能量和吸收材料的电子结构。

散射发生在光子与原子或分子相互作用而不被吸收时,但改变其方向和/或波长。散射有两种类型:弹性和非弹性。弹性散射(也称为瑞利散射)发生在光子在相互作用过程中没有失去能量并仅改变其方向。非弹性散射(也称为拉曼散射)发生在光子在相互作用过程中失去能量,通常是散射材料的内部能量。散射的概率取决于散射材料的大小、形状和组成,以及光子的能量和波长。

总之,吸收和散射是光子与物质相互作用时的两种可能结果。吸收会导致光子将其能量转移到材料上,而散射会导致光子改变其方向和/或波长而不被吸收。吸收或散射的概率取决于光子的能量和物质的特性。

比尔定律的推导

埋个坑把,之后有需要再补充

<<偏医学的专题>>

医学图像重建 | Radon变换,滤波反投影算法,中心切片定理

医学图像重建2 | CT&PET,比尔定律,衰减矫正

whole-body PET ?全人研究的催化剂?

TB-PET揭示体内复杂的骨骼代谢网络

综述 深度学习在神经成像领域的前景与挑战

功能连接矩阵 | 双向LSTM深度时间组学习针对轻度认知障碍

PCA、SVD深入浅出与python代码

ICA | 用RNN-ICA探索功能核磁内在网络模型的时空动力学

Dual-time-point的两篇文献浅学

WBIR | DeepSTAPLE:UDA任务下学习多模态配准质量

TransMorph | WBIR

<<AlphaFold2专题>>

alphaFold2 | 解决问题及背景(一)

alphaFold2 | 模型框架搭建(二)

alphaFold2 | 模型细节之特征提取(三)

alphaFold2 | 模型细节之Evoformer(四)

alphaFold2 | 补充Evoformer之outer productor mean(五)

<<StyleGAN2专题>>

生成专题1 | 图像生成评价指标 Inception Score (IS)

生成专题2 | 图像生成评价指标FID

生成专题3 | StyleGAN2对AdaIN的修正

生成专题4 | StyleGAN2的其他改进

<<蛋白质分子结构相关>>

NLP | 简单学习一下NLP中的transformer的pytorch代码

DTI特征工程 | iDTI-ESBoost | 2017 | REP

DIT | 简化分子线性输入规范SMILE

DTI | Drug-target interaction基础认识

<<CVPR目录>>

第一弹CVPR 2021 | 多分辨率蒸馏的异常检测 VIT Vision Transformer | 先从PyTorch代码了解

preprint版本 | 何凯明大神新作MAE | CVPR2022最佳论文候选

小样本分割 | FSS1000 | CVPR20‍20

简单的结构 | MLP-Mixer: An all-MLP Architecture for Vision | CVPR2021

域迁移DA |Addressing Domain Shift for Segmentation | CVPR2018

医学图像配准 | SYMnet 对称微分同胚配准CNN(SOTA) | CVPR2020

光流 | flownet | CVPR2015 | 论文+pytorch代码

图像分割 | Context Prior CPNet | CVPR2020

自监督图像论文复现 | BYOL(pytorch)| 2020

自监督SOTA框架 | BYOL(优雅而简洁) | 2020

笔记 | 吴恩达新书《Machine Learning Yearning》

图片质量评估论文 | 无监督SER-FIQ | CVPR2020

图像质量评估论文 | Deep-IQA | IEEETIP2018

图像质量评估论文 | rank-IQA | ICCV2017

图像分割论文 | DRN膨胀残差网络 | CVPR2017

注意力论文解读(1) | Non-local Neural Network | CVPR2018 | 已复现

卷积网络可解释性复现 | Grad-CAM | ICCV | 2017

轮廓检测论文解读 | Richer Convolutional Features| CVPR | 2017

轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015

卷积涨点论文复现 | Asymmetric Conv ACNet | ICCV | 2019

pytorch实现 | Deformable ConvNet 可变卷积(下) | CVPR | 2017

图像处理论文详解 | Deformable Convolutional Networks (上)| CVPR | 2017

<<小白学PyTorch>>

扩展之Tensorflow2.0 | 21 Keras的API详解(下)池化、Normalization层

扩展之Tensorflow2.0 | 21 Keras的API详解(上)卷积、激活、初始化、正则

扩展之Tensorflow2.0 | 20 TF2的eager模式与求导

扩展之Tensorflow2.0 | 19 TF2模型的存储与载入

扩展之Tensorflow2.0 | 18 TF2构建自定义模型

扩展之Tensorflow2.0 | 17 TFrec文件的创建与读取

扩展之Tensorflow2.0 | 16 TF2读取图片的方法

扩展之Tensorflow2.0 | 15 TF2实现一个简单的服装分类任务

小白学PyTorch | 14 tensorboardX可视化教程

小白学PyTorch | 13 EfficientNet详解及PyTorch实现

小白学PyTorch | 12 SENet详解及PyTorch实现

小白学PyTorch | 11 MobileNet详解及PyTorch实现

小白学PyTorch | 10 pytorch常见运算详解

小白学PyTorch | 9 tensor数据结构与存储结构

小白学PyTorch | 8 实战之MNIST小试牛刀

小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解

小白学PyTorch | 6 模型的构建访问遍历存储(附代码)

小白学PyTorch | 5 torchvision预训练模型与数据集全览

小白学PyTorch | 4 构建模型三要素与权重初始化

小白学PyTorch | 3 浅谈Dataset和Dataloader

小白学PyTorch | 2 浅谈训练集验证集和测试集

小白学PyTorch | 1 搭建一个超简单的网络

小白学PyTorch | 动态图与静态图的浅显理解

<<小样本分割>>

小样本分割 | FSS1000 | CVPR2020

<<图网络>>

图网络 | Graph Attention Networks | ICLR 2018 | 代码讲解

<<图像质量评估>>

图片质量评估论文 | 无监督SER-FIQ | CVPR2020

图像质量评估论文 | Deep-IQA | IEEETIP2018

图像质量评估论文 | rank-IQA | ICCV2017

<<图像轮廓检测>>

轮廓检测论文解读 | Richer Convolutional Features| CVPR | 2017

轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015

<<光流与配准>>

医学图像配准 | SYMnet 对称微分同胚配准CNN(SOTA) | CVPR2020

光流 | flownet | CVPR2015 | 论文+pytorch代码

图像匹配 | NCC 归一化互相关损失 | 代码 + 讲解

医学图像配准 | Voxelmorph 微分同胚 | MICCAI2019

<<DA域迁移>>

域迁移DA |Addressing Domain Shift for Segmentation | CVPR2018

self-training | 域迁移 | source-free的域迁移(第一篇)

self-training | MICCAI2021 | BN层的source free的迁移

<<医学图像AI>>

医学图像 | DualGAN与儿科超声心动图分割 | MICCA

医学AI论文解读 | 超声心动图在临床中的自动化检测 | Circulation | 2018 | 中英双语

<<小白学图像(网络结构)>>

卷积网络可解释性复现 | Grad-CAM | ICCV | 2017

孪生网络入门(下) Siamese Net分类服装MNIST数据集(pytorch)

孪生网络入门(上) Siamese Net及其损失函数

图像分割必备知识点 | Unet++ 超详解+注解

图像分割必备知识点 | Unet详解 理论+ 代码

图像分割必备知识点 | Dice损失 理论+代码

3D卷积入门 | 多论文笔记 | R2D C3D P3D MCx R(2+1)D

小白学论文 | EfficientNet强在哪里

小白学论文 | 神经网络初始化Xavier

小白学论文 | 端侧神经网络GhostNet(2019)

小白学目标检测 | RCNN, SPPNet, Fast, Faster

小白学图像 | BatchNormalization详解与比较

小白学图像 | Group Normalization详解+PyTorch代码

小白学图像 | 八篇经典CNN论文串讲

图像增强 | CLAHE 限制对比度自适应直方图均衡化

小白学卷积 | 深入浅出卷积网络的平移不变性

小白学卷积 | (反)卷积输出尺寸计算

损失函数 | 焦点损失函数 FocalLoss 与 GHM

<<小白学机器学习>>

小白学ML | 随机森林 全解 (全网最全)

小白学SVM | SVM优化推导 + 拉格朗日 + hingeLoss

小白学LGB | LightGBM = GOSS + histogram + EFB

小白学LGB | LightGBM的调参与并行

小白学XGB | XGBoost推导与牛顿法

评价指标 | 详解F1-score与多分类F1

小白学ML | Adaboost及手推算法案例

小白学ML | GBDT梯度提升树

小白学优化 | 最小二乘法与岭回归&Lasso回归

小白学排序 | 十大经典排序算法(动图)

杂谈 | 正态分布为什么如此常见

Adam优化器为什么被人吐槽?

机器学习不得不知道的提升技巧:SWA与pseudo-label

决策树(一)基尼系数与信息增益

决策树(二)ID3,C4.5和CART

五分钟理解:BCELoss 和 BCEWithLogitsLoss的区别

<<小白面经>>

秋招总结 | 一个非Top学校的跨专业的算法应届研究生的几十场面试

【小白面经】快手 AI算法岗 附答案解析

【小白面经】 拼多多 AI算法岗 附带解析

【小白面经】八种应对样本不均衡的策略

【小白面经】之防止过拟合的所有方法

【小白面经】梯度消失爆炸及其解决方法

【小白面经】 判别模型&生成模型

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2023-03-04,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器学习炼丹术 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Optics
    • 吸收作用的推导
      • 散射作用的推导
        • 吸收与散射的关系
          • 比尔定律的推导
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档