A mély tanulás beépítése a röntgen CT képalkotásba

Az elmúlt években a mély tanulás nagy figyelmet kapott, és lenyűgöző eredményeket ért el a különböző alkalmazásokban. A mély tanulás beépítése a röntgen-CT-be visszafordíthatatlan tendenciává vált.

Ebben a webináriumban rövid áttekintést adunk a mély tanulási technológiáról. Ezen az alapon, a CT-képalkotás kulcsfontosságú kérdéseire összpontosítva, beleértve a zajtalanítást, a műtermékek elnyomását, a képrekonstrukciót, megvitatjuk a mély tanulás különböző adatfeldolgozási küldetésekbe történő beépítésének módszertanát a mélytanulási keretrendszer, a neurális hálózat tervezése, a veszteség kezelésével. funkciókat, több tartományú tanulást, valamint néhány előzetes kutatási eredményünket. Szóba kerül a jelenlegi szakterület néhány kulcskérdése és a technológiai-fejlesztési kihívások is.

Yuxiang Xing 2003-ban doktorált a New York-i Állami Egyetemen Stony Brook-ban, majd oktatóként csatlakozott a Tsinghua Egyetemhez. Jelenleg a kínai Tsinghua Egyetem mérnöki fizika tanszékének professzora. 2003 óta foglalkozik a röntgen képalkotó rendszerek fejlesztésére és alkalmazására vonatkozó elméletek és technológiák kutatásával. Több mint 150 kutatási publikáció és több mint 50 szabadalom szerzője vagy társszerzője. Jelenlegi érdeklődési köre a röntgen képalkotó fizika, a CT rekonstrukciós módszerei, a sugárzási képfeldolgozás és a teljesítményértékelés, különösen a CT-rekonstrukció és műtermék-csökkentés legmodernebb mélytanulási módszerei.

Az előadó kapcsolata az IOP Publishinggel

A szerkesztőbizottság tagja Fizika az orvostudományban és a biológiában.

A poszt A mély tanulás beépítése a röntgen CT képalkotásba 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/incorporating-deep-learning-into-x-ray-ct-imaging/