Tích hợp hiệp đồng của học sâu và tái tạo dựa trên mô hình để tạo hình ảnh CT

Tái tạo hình ảnh dựa trên mô hình thông thường (MBIR) cho CT X-quang thường được xây dựng như một bài toán tối ưu hóa, giải pháp là hình ảnh chưa biết sẽ được tái tạo.

Nghiên cứu trong vài năm qua đã chuyển sang thay thế các thành phần của các phương pháp MBIR thông thường này bằng các mô hình mạng thần kinh sâu. Sự tích hợp như vậy có thể cung cấp cả chất lượng hình ảnh được cải thiện và khả năng diễn giải nhất định của kiến ​​trúc học sâu.

Jingyan Xu sẽ trình bày một số phương pháp tiếp cận hiện có kết hợp học sâu và MBIR, đồng thời thảo luận về điểm mạnh, điểm yếu và các phần mở rộng có thể có trong tương lai.

Cảnh Ngôn Từ lấy bằng Tiến sĩ về kỹ thuật điện tại Đại học Stanford. Cô hiện là trợ lý giáo sư tại Khoa X quang tại Đại học Johns Hopkins. Lĩnh vực chuyên môn của cô là phát triển các phương pháp tái tạo hình ảnh dựa trên mô hình và đánh giá chất lượng hình ảnh dựa trên nhiệm vụ cho CT X-quang. Gần đây hơn, cô ấy đã nghiên cứu về sự tích hợp đồng bộ của học sâu và tái tạo dựa trên mô hình để tạo hình ảnh CT.

Mối quan hệ của diễn giả với IOP Publishing

Đồng tác giả của một cuốn sách được xuất bản gần đây Vật lý trong Y học & Sinh học đánh giá chuyên đề, Các thuật toán tối ưu hóa lồi trong tái tạo hình ảnh y tế — trong thời đại của AI.

Các bài viết Tích hợp hiệp đồng của học sâu và tái tạo dựa trên mô hình để tạo hình ảnh CT xuất hiện đầu tiên trên Thế giới vật lý.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/