想参加这次网络研讨会吗?
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.
想参加这次网络研讨会吗?
为什么不报名参加我们的其他 AI in Medical Physics Week 网络研讨会? 即使您无法加入现场活动,现在注册也可以让您在录制时立即访问它。
- 通过机器学习和人工智能加速药物发现
20 月 3 日星期一,英国夏令时下午 XNUMX 点 - 放射治疗中的计算机计算和机器学习
20 月 5 日星期一,英国夏令时下午 XNUMX 点 - 将深度学习融入 X 射线 CT 成像
22 月 12 日星期三,英国夏令时下午 XNUMX 点 - 专注于医学影像中的机器学习模型
23 月 3 日星期四,英国夏令时下午 XNUMX 点
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.