Sinergistična integracija globokega učenja in rekonstrukcije na podlagi modela za generiranje CT slik

Običajna rekonstrukcija slike na podlagi modela (MBIR) za rentgensko CT je pogosto formulirana kot optimizacijski problem, katerega rešitev je neznana slika, ki jo je treba rekonstruirati.

Raziskave v zadnjih nekaj letih so se usmerile v zamenjavo komponent teh običajnih metod MBIR z modeli globokih nevronskih mrež. Takšna integracija lahko zagotovi izboljšano kakovost slike in določeno interpretabilnost arhitekture globokega učenja.

Jingyan Xu bo predstavil nekaj obstoječih pristopov, ki združujejo globoko učenje in MBIR, ter razpravljal o njihovih prednostih, slabostih in možnih prihodnjih razširitvah.

Jingyan Xu doktorirala iz elektrotehnike na univerzi Stanford. Trenutno je docentka na oddelku za radiologijo na univerzi Johns Hopkins. Njeno strokovno področje je razvoj metod rekonstrukcije slike na podlagi modela in vrednotenje kakovosti slike na podlagi nalog za rentgensko CT. Pred kratkim se je ukvarjala s sinergijsko integracijo globokega učenja in rekonstrukcije na podlagi modelov za ustvarjanje CT slik.

Govornik odnos z IOP Publishing

Soavtor nedavno objavljenega Fizika v medicini in biologiji tematski pregled, Algoritmi konveksne optimizacije pri rekonstrukciji medicinske slike – v dobi umetne inteligence.

Pošta Sinergistična integracija globokega učenja in rekonstrukcije na podlagi modela za generiranje CT slik pojavil prvi na Svet fizike.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/