Synergistisk integrasjon av dyp læring og modellbasert rekonstruksjon for generering av CT-bilder

Konvensjonell modellbasert bilderekonstruksjon (MBIR) for røntgen-CT er ofte formulert som et optimaliseringsproblem, hvis løsning er det ukjente bildet som skal rekonstrueres.

Forskning de siste årene har endret seg for å erstatte komponenter i disse konvensjonelle MBIR-metodene med dype nevrale nettverksmodeller. Slik integrasjon kan gi både forbedret bildekvalitet og en viss tolkning av dyplæringsarkitekturen.

Jingyan Xu vil presentere noen eksisterende tilnærminger som kombinerer dyp læring og MBIR, og diskutere deres styrker, svakheter og mulige fremtidige utvidelser.

Jingyan Xu fikk sin doktorgrad i elektroteknikk fra Stanford University. Hun er for tiden assisterende professor ved Institutt for radiologi ved Johns Hopkins University. Hennes kompetanseområde ligger i å utvikle modellbaserte bilderekonstruksjonsmetoder og oppgavebasert bildekvalitetsevaluering for røntgen-CT. Nylig har hun jobbet med synergistisk integrasjon av dyp læring og modellbasert rekonstruksjon for generering av CT-bilder.

Foredragsholder forhold til IOP Publishing

Medforfatter av en nylig publisert Fysikk i medisin og biologi aktuell anmeldelse, Konvekse optimaliseringsalgoritmer i medisinsk bilderekonstruksjon – i AIs tidsalder.

Innlegget Synergistisk integrasjon av dyp læring og modellbasert rekonstruksjon for generering av CT-bilder dukket først på Fysikkens verden.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/