Synergistisk integration af deep learning og modelbaseret rekonstruktion til CT-billedgenerering

Konventionel modelbaseret billedrekonstruktion (MBIR) til røntgen-CT er ofte formuleret som et optimeringsproblem, hvis løsning er det ukendte billede, der skal rekonstrueres.

Forskning i de sidste par år har ændret sig for at erstatte komponenter i disse konventionelle MBIR-metoder med dybe neurale netværksmodeller. En sådan integration kan give både forbedret billedkvalitet og en vis fortolkning af deep learning-arkitekturen.

Jingyan Xu vil præsentere nogle eksisterende tilgange, der kombinerer dyb læring og MBIR, og diskutere deres styrker, svagheder og mulige fremtidige udvidelser.

Jingyan Xu fik sin ph.d. i elektroteknik fra Stanford University. Hun er i øjeblikket adjunkt i afdelingen for radiologi ved Johns Hopkins University. Hendes ekspertise ligger i at udvikle modelbaserede billedrekonstruktionsmetoder og opgavebaseret billedkvalitetsevaluering til røntgen-CT. På det seneste har hun arbejdet på synergistisk integration af deep learning og modelbaseret rekonstruktion til CT-billedegenerering.

Speaker forhold til IOP Publishing

Medforfatter til en nyligt udgivet Fysik i medicin og biologi aktuel gennemgang, Konvekse optimeringsalgoritmer i medicinsk billedrekonstruktion - i AIs tidsalder.

Stillingen Synergistisk integration af deep learning og modelbaseret rekonstruktion til CT-billedgenerering dukkede først på Fysik verden.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/