A mély tanulás és a modell alapú rekonstrukció szinergikus integrációja a CT képalkotáshoz

A hagyományos modell-alapú képrekonstrukciót (MBIR) a röntgen-CT-hez gyakran optimalizálási problémaként fogalmazzák meg, melynek megoldása a rekonstruálandó ismeretlen kép.

Az elmúlt néhány év kutatásai elmozdultak a hagyományos MBIR-módszerek összetevőinek mély neurális hálózati modellekkel való helyettesítésére. Az ilyen integráció javíthatja a képminőséget és a mély tanulási architektúra bizonyos értelmezhetőségét.

Jingyan Xu bemutat néhány, a mély tanulást és az MBIR-t ötvöző meglévő megközelítést, és megvitatja azok erősségeit, gyengeségeit és lehetséges jövőbeli bővítéseit.

Jingyan Xu A Stanford Egyetemen szerzett PhD fokozatot villamosmérnökből. Jelenleg a Johns Hopkins Egyetem Radiológiai Tanszékének adjunktusa. Szakterülete a röntgen-CT modellalapú képrekonstrukciós módszerek és feladatalapú képminőség-értékelés fejlesztése. A közelmúltban a mély tanulás és a modell alapú rekonstrukció szinergikus integrációján dolgozik a CT-képalkotáshoz.

Az előadó kapcsolata az IOP Publishinggel

Egy nemrég megjelent cikk társszerzője Fizika az orvostudományban és a biológiában aktuális áttekintés, Konvex optimalizálási algoritmusok az orvosi képrekonstrukcióban – az AI korában.

A poszt A mély tanulás és a modell alapú rekonstrukció szinergikus integrációja a CT képalkotáshoz jelent meg először Fizika Világa.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/