Синергетична інтеграція глибокого навчання та реконструкції на основі моделі для створення зображень КТ

Звичайна реконструкція зображення на основі моделі (MBIR) для рентгенівської КТ часто формулюється як проблема оптимізації, вирішенням якої є невідоме зображення, яке потрібно реконструювати.

Дослідження за останні кілька років спрямували на заміну компонентів цих звичайних методів MBIR моделями глибоких нейронних мереж. Така інтеграція може забезпечити як покращену якість зображення, так і певну інтерпретацію архітектури глибокого навчання.

Jingyan Xu представить деякі існуючі підходи, що поєднують глибинне навчання та MBIR, а також обговорять їх сильні та слабкі сторони та можливі майбутні розширення.

Цзін'ян Сю отримала ступінь доктора філософії з електротехніки в Стенфордському університеті. Зараз вона є доцентом кафедри радіології Університету Джона Гопкінса. Її сфера компетенції полягає в розробці методів реконструкції зображень на основі моделі та оцінки якості зображень на основі завдань для рентгенівської КТ. Нещодавно вона працювала над синергетичною інтеграцією глибокого навчання та реконструкції на основі моделі для створення КТ-зображень.

Відносини доповідача з IOP Publishing

Співавтор нещодавно опубл Фізика в медицині та біології тематичний огляд, Алгоритми конвексної оптимізації в реконструкції медичних зображень — в епоху ШІ.

Повідомлення Синергетична інтеграція глибокого навчання та реконструкції на основі моделі для створення зображень КТ вперше з'явився на Світ фізики.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Джерело: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/