学习无形:有限角度计算机断层成像的混合深度学习 - Shearlet 框架
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
本文提出了一种部分学习方法,用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展,通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习,其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明,与 FBP 和 TV 重建相比,所提出的方法在保证速度的同时,能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。
Apr, 2017
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
本文提出一种通过 Range-Nullspace 分解的深度学习框架,为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解,模型获得了更多的物理信息,可以有效提高神经网络的学习性能和实际表现。实验结果表明,该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。
Nov, 2019
利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法,可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。
Mar, 2017
本文提出了一种基于图像的渲染技术,它基于通过相机获取的有限透视视图集合的光场重建。本文的方法利用了在方向敏感变换域内的极线平面图像的稀疏表示,该变换域通过自适应离散剪切变换得到。使用的迭代阈值算法为相邻视图之间的较大差异提供高质量重建结果。因此,所生成的给定 3D 场景的密集采样光场适用于所有需要光场重建的应用程序。本文提出的算法在深度图像渲染技术方面相对于现有技术具有优势。
Sep, 2015
我们提出了一种混合的监督 - 无监督学习框架,用于 X 射线计算机断层扫描(CT)图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程,通过级联多个这样的模块组成重构流水线。实验证明,与最近的低剂量 CT 重建方法相比,该框架表现出很高的性能。
Nov, 2023
本文探究了深度学习方法在低数据条件下应用于计算机断层扫描的可能性,并提出了一种深度图像先验方法与经典规则相结合的方法,提高了低数据条件下的重建质量和数据效率。
Mar, 2020
本文针对具有稀疏测量的反弹性源问题,提出了一种泛化的数学框架,并在常规源重建算法中引入低维流形正则化,从而提高了它们对稀疏数据集的性能;并且已经严格证明了该提出的框架在机器学习文献中称为 “深度卷积框架展开” 的反问题等价。通过合适的数值示例,证明了所提出框架的功效。
Feb, 2018
本文提出了一种基于深度卷积神经网络的数据驱动学习方法,用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明,该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能,为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。
Jul, 2016