Sünergiline integratsioon süvaõppe ja mudelipõhise rekonstrueerimisega CT-kujutise genereerimiseks

Tavaline mudelipõhine kujutise rekonstrueerimine (MBIR) röntgen-CT jaoks on sageli sõnastatud optimeerimisprobleemina, mille lahenduseks on rekonstrueeritav tundmatu kujutis.

Viimaste aastate uuringud on nihkunud nende tavapäraste MBIR-meetodite komponentide asendamiseks sügavate närvivõrgu mudelitega. Selline integreerimine võib pakkuda nii parema pildikvaliteeti kui ka sügava õppimise arhitektuuri teatud tõlgendatavust.

Jingyan Xu tutvustab mõningaid olemasolevaid lähenemisviise, mis ühendavad sügava õppimise ja MBIR-i, ning arutab nende tugevusi, nõrkusi ja võimalikke tulevasi laiendusi.

Jingyan Xu omandas doktorikraadi Stanfordi ülikoolis elektrotehnika alal. Praegu on ta Johns Hopkinsi ülikooli radioloogia osakonna dotsent. Tema valdkonnaks on mudelipõhiste kujutise rekonstrueerimise meetodite ja ülesandepõhise pildikvaliteedi hindamise väljatöötamine röntgen-CT jaoks. Viimasel ajal on ta tegelenud sünergilise integratsiooni sünergilise integreerimisega süvaõppe ja mudelipõhise rekonstrueerimise kallal CT-kujutise genereerimiseks.

Kõneleja suhe IOP Publishingiga

Hiljuti avaldatud raamatu kaasautor Füüsika meditsiinis ja bioloogias aktuaalne ülevaade, Kumerad optimeerimisalgoritmid meditsiinilise kujutise rekonstrueerimisel – tehisintellekti ajastul.

Postitus Sünergiline integratsioon süvaõppe ja mudelipõhise rekonstrueerimisega CT-kujutise genereerimiseks ilmus esmalt Füüsika maailm.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/