Synergistische Integration von Deep Learning und modellbasierter Rekonstruktion für die CT-Bilderzeugung

Die herkömmliche modellbasierte Bildrekonstruktion (MBIR) für die Röntgen-CT wird oft als Optimierungsproblem formuliert, dessen Lösung das unbekannte zu rekonstruierende Bild ist.

Die Forschung hat sich in den letzten Jahren darauf verlagert, Komponenten dieser konventionellen MBIR-Methoden durch tiefe neuronale Netzwerkmodelle zu ersetzen. Eine solche Integration kann sowohl eine verbesserte Bildqualität als auch eine gewisse Interpretierbarkeit der Deep-Learning-Architektur bereitstellen.

Jingyan Xu wird einige bestehende Ansätze vorstellen, die Deep Learning und MBIR kombinieren, und ihre Stärken, Schwächen und mögliche zukünftige Erweiterungen diskutieren.

Jingyan Xu promovierte in Elektrotechnik an der Stanford University. Derzeit ist sie Assistenzprofessorin in der Abteilung für Radiologie der Johns Hopkins University. Ihr Fachgebiet liegt in der Entwicklung modellbasierter Bildrekonstruktionsmethoden und aufgabenbasierter Bildqualitätsbewertung für die Röntgen-CT. In jüngerer Zeit hat sie an der synergetischen Integration von Deep Learning und modellbasierter Rekonstruktion für die CT-Bilderzeugung gearbeitet.

Sprecherbeziehung mit IOP Publishing

Co-Autor eines kürzlich erschienenen Physik in Medizin & Biologie aktuelle Überprüfung, Konvexe Optimierungsalgorithmen in der medizinischen Bildrekonstruktion – im Zeitalter der KI.

Die Post Synergistische Integration von Deep Learning und modellbasierter Rekonstruktion für die CT-Bilderzeugung erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/