基于深度学习的 Radon 反演
我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架,通过将神经网络作为一个隐性先验引入迭代方法中,解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中,在 Radon 域中缩小了欠约束成像协议的解空间,并讨论了所提方法的收敛性。与常用的预训练方法相比,该提出的框架不需要数据集,同时具有更好的可解释性和泛化能力。实验结果表明,该方法能够生成细节图像并有效抑制图像伪影,同时与有监督方法相比,DRP 的性能相当或更好。
Dec, 2023
我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换,该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法,这是唯一可用于解决此问题的传统算法,会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈,我们训练了一个基于 ResBlock 的 U-Net,以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下,使用增强 Shepp-Logan 幻影的数值结果,证明了所提出算法的优越性。
Aug, 2023
描述了一种组合了 Radon 变换和一维累积分布变换的非线性可逆图像处理变换,并通过理论和实验结果表明其可以将某些问题在变换空间中线性可分。
Nov, 2015
深度学习用于 NMR 信号反演,通过卷积神经网络将 NMR 信号反演看作图像到图像的回归问题,与 Tikhonov 和 MTGV 等正则化技术相比,深度学习具有明显的效率和易用性优势,因为在重建之前不需要进行超参数选择。通过对模拟 NMR 信号进行反演并与 Tikhonov 和 MTGV 正则化进行比较,结果显示深度学习的反演速度显著快于后两种正则化方法,并在几乎所有情况下优于这两种正则化技术。
Nov, 2023
本研究提出一种新颖的自监督方法,用于低剂量计算机断层扫描(LDCT)重构,结果表明该方法在降低剂量的情况下能够在 CT 图像质量方面取得更好的效果。
Dec, 2023
本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法,结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。
Apr, 2016
基于深度神经网络,本论文提出了一个训练于大量精心制作的合成数据上的模型,可以进行受限角度的断层投影重建,即便仅有 30° 或 40° 的正弦图像,取得了 2022 年赫尔辛基断层成像挑战赛的第一名。
Sep, 2023
本文旨在探讨科学机器学习中的一个基本问题,即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描(CT)问题,并且通过迭代的端到端网络方案以及数据驱动的校准步骤,展示了该方案能够使 CT 重建达到数值精度,与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。
Jun, 2022
介绍了一种 HoughToRadon 变换层,旨在改善神经网络与 Hough 变换结合以解决语义图像分割问题的速度。实验证明,这种方法在文档分割任务中节省时间并实现了 97.7% 的准确率,优于计算复杂度更高的 HoughEncoder。
Feb, 2024