Synergiczna integracja głębokiego uczenia i rekonstrukcji opartej na modelu w celu generowania obrazów CT

Konwencjonalna rekonstrukcja obrazu oparta na modelu (MBIR) dla tomografii rentgenowskiej jest często formułowana jako problem optymalizacji, którego rozwiązaniem jest nieznany obraz do rekonstrukcji.

Badania w ciągu ostatnich kilku lat przesunęły się w kierunku zastąpienia elementów tych konwencjonalnych metod MBIR głębokimi modelami sieci neuronowych. Taka integracja może zapewnić zarówno lepszą jakość obrazu, jak i pewną interpretowalność architektury głębokiego uczenia.

Jingyan Xu przedstawi kilka istniejących podejść łączących głębokie uczenie i MBIR oraz omówi ich mocne i słabe strony oraz możliwe przyszłe rozszerzenia.

Jingyan Xu doktorat z elektrotechniki uzyskała na Uniwersytecie Stanforda. Obecnie jest adiunktem w Zakładzie Radiologii na Uniwersytecie Johnsa Hopkinsa. Jej obszar specjalizacji obejmuje opracowywanie metod rekonstrukcji obrazów opartych na modelach oraz zadaniowej oceny jakości obrazu w tomografii rentgenowskiej. Ostatnio pracuje nad synergiczną integracją głębokiego uczenia i rekonstrukcji opartej na modelach w celu generowania obrazów CT.

Relacja prelegenta z IOP Publishing

Współautor niedawno opublikowanego Fizyka w medycynie i biologii przegląd tematyczny, Algorytmy optymalizacji wypukłej w rekonstrukcji obrazów medycznych — w dobie AI.

Post Synergiczna integracja głębokiego uczenia i rekonstrukcji opartej na modelu w celu generowania obrazów CT pojawiła się najpierw na Świat Fizyki.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/