深度学习和基于模型的重建的协同集成用于 CT 图像生成

X射线CT的传统基于模型的图像重建（MBIR）通常被表述为一个优化问题，其解决方案是待重建的未知图像。

过去几年的研究已经转移到用深度神经网络模型替换这些传统 MBIR 方法的组件。 这种集成可以提供改进的图像质量和深度学习架构的某些可解释性。

Jingyan Xu 将介绍一些现有的结合深度学习和 MBIR 的方法，并讨论它们的优势、劣势和未来可能的扩展。

徐景琰 在斯坦福大学获得电气工程博士学位。 她目前是约翰霍普金斯大学放射学系的助理教授。 她的专业领域在于开发基于模型的图像重建方法和基于任务的 X 射线 CT 图像质量评估。 最近，她一直致力于将深度学习和基于模型的重建协同集成以生成 CT 图像。

演讲者与 IOP Publishing 的关系

最近发表的一篇文章的合著者 医学与生物学物理学 专题审查， 医学图像重建中的凸优化算法——人工智能时代.

该职位 深度学习和基于模型的重建的协同集成用于 CT 图像生成 最早出现 物理世界.

• 硬币聪明。 欧洲最好的比特币和加密货币交易所。
• 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 自由登入。
• 加密鹰。 山寨币雷达。 免费试用。
• 资料来源：https://physicsworld.com/a/synergistic-integration-of-deep-learning-and-model-based-reconstruction-for-ct-image-generation/