Integrasi sinergis dari pembelajaran mendalam dan rekonstruksi berbasis model untuk pembuatan gambar CT

Rekonstruksi citra berbasis model konvensional (MBIR) untuk CT sinar-X sering dirumuskan sebagai masalah optimasi, solusinya adalah citra yang tidak diketahui untuk direkonstruksi.

Penelitian dalam beberapa tahun terakhir telah bergeser untuk menggantikan komponen metode MBIR konvensional ini dengan model jaringan saraf dalam. Integrasi tersebut dapat memberikan peningkatan kualitas gambar dan interpretasi tertentu dari arsitektur pembelajaran mendalam.

Jingyan Xu akan menyajikan beberapa pendekatan yang ada yang menggabungkan pembelajaran mendalam dan MBIR, dan mendiskusikan kekuatan, kelemahan, dan kemungkinan perluasannya di masa depan.

Jing Yan Xu memperoleh gelar PhD di bidang teknik listrik dari Universitas Stanford. Dia saat ini menjadi asisten profesor di Departemen Radiologi di Universitas Johns Hopkins. Bidang keahliannya terletak pada pengembangan metode rekonstruksi citra berbasis model dan evaluasi kualitas citra berbasis tugas untuk CT sinar-X. Baru-baru ini, dia telah bekerja pada integrasi sinergis pembelajaran mendalam dan rekonstruksi berbasis model untuk pembuatan gambar CT.

Hubungan pembicara dengan Penerbitan IOP

Rekan penulis dari yang baru-baru ini diterbitkan Fisika dalam Kedokteran & Biologi ulasan topikal, Algoritme pengoptimalan cembung dalam rekonstruksi citra medis—di era AI.

Pos Integrasi sinergis dari pembelajaran mendalam dan rekonstruksi berbasis model untuk pembuatan gambar CT muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/