Synergistinen syväoppimisen ja mallipohjaisen rekonstruoinnin integrointi CT-kuvan luomiseen

Perinteinen mallipohjainen kuvarekonstruktio (MBIR) röntgen-CT:lle on usein muotoiltu optimointiongelmaksi, jonka ratkaisuna on rekonstruoitava tuntematon kuva.

Viime vuosien tutkimus on siirtynyt korvaamaan näiden perinteisten MBIR-menetelmien komponentteja syvähermoverkkomalleilla. Tällainen integrointi voi tarjota sekä paremman kuvanlaadun että tietyn syvän oppimisarkkitehtuurin tulkittavuuden.

Jingyan Xu esittelee joitain olemassa olevia lähestymistapoja, joissa yhdistyvät syväoppiminen ja MBIR, ja keskustelee niiden vahvuuksista, heikkouksista ja mahdollisista tulevista laajennuksista.

Jingyan Xu valmistui sähkötekniikan tohtoriksi Stanfordin yliopistosta. Hän toimii tällä hetkellä apulaisprofessorina Johns Hopkinsin yliopiston radiologian laitoksella. Hänen osaamisalueensa on mallipohjaisten kuvan rekonstruktiomenetelmien ja tehtäväpohjaisen kuvanlaadun arvioinnin kehittäminen röntgen-TT:lle. Viime aikoina hän on työskennellyt syvän oppimisen ja mallipohjaisen rekonstruoinnin synergistisen integroinnin parissa CT-kuvan luomista varten.

Puhujan suhde IOP Publishingiin

Äskettäin julkaistun artikkelin toinen kirjoittaja Fysiikka lääketieteessä ja biologiassa ajankohtainen arvostelu, Kuperat optimointialgoritmit lääketieteellisessä kuvan rekonstruktiossa – tekoälyn aikakaudella.

Viesti Synergistinen syväoppimisen ja mallipohjaisen rekonstruoinnin integrointi CT-kuvan luomiseen ilmestyi ensin Fysiikan maailma.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/