Synergistisk integration av djupinlärning och modellbaserad rekonstruktion för CT-bildgenerering

Konventionell modellbaserad bildrekonstruktion (MBIR) för röntgen-CT formuleras ofta som ett optimeringsproblem, vars lösning är den okända bilden som ska rekonstrueras.

Forskning under de senaste åren har skiftat för att ersätta komponenter i dessa konventionella MBIR-metoder med modeller för djupa neurala nätverk. Sådan integrering kan ge både förbättrad bildkvalitet och viss tolkning av arkitekturen för djupinlärning.

Jingyan Xu kommer att presentera några befintliga metoder som kombinerar djupinlärning och MBIR, och diskutera deras styrkor, svagheter och möjliga framtida förlängningar.

Jingyan Xu doktorerade i elektroteknik från Stanford University. Hon är för närvarande biträdande professor vid avdelningen för radiologi vid Johns Hopkins University. Hennes expertområde ligger i att utveckla modellbaserade bildrekonstruktionsmetoder och uppgiftsbaserad bildkvalitetsutvärdering för röntgen-CT. På senare tid har hon arbetat med synergistisk integration av djupinlärning och modellbaserad rekonstruktion för CT-bildgenerering.

Talarrelation med IOP Publishing

Medförfattare till en nyligen publicerad Fysik inom medicin och biologi aktuell recension, Konvexa optimeringsalgoritmer för medicinsk bildrekonstruktion – i AI:s tidsålder.

Posten Synergistisk integration av djupinlärning och modellbaserad rekonstruktion för CT-bildgenerering visades först på Fysikvärlden.

• Myntsmart. Europas bästa bitcoin- och kryptobörs.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
• CryptoHawk. Altcoin radar. Gratis provperiod.
• Källa: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/