×
乔纳斯·阿德勒;塞巴斯蒂安·伦兹;奥利维耶·弗迪尔;卡罗拉·比比安·施恩利布;奥赞·奥克坦

逆问题的任务适应性重构。 （英语） Zbl 07543696号

反向探测。 38，第7号，文章ID 075006，21 p.（2022）.
摘要：本文考虑了在不适定反问题中，对仅通过含噪数据间接观测到的模型参数执行后处理任务的问题。一个关键方面是将重建和后处理的步骤形式化为统计估计问题中的适当估计器（非随机决策规则）。该实现利用（深层）神经网络为这两个步骤的估计量族提供可微参数化。为了最小化联合可微损失函数，将这些网络结合起来，并针对适当的监督训练数据进行联合训练，从而形成一种端到端的任务自适应重建方法。建议的框架是通用的，但具有适应性，具有一个即插即用的结构，用于调整逆向问题和手头的后处理任务。更准确地说，与逆问题相关的数据模型（前向算子和噪声统计模型）是可交换的，例如，通过使用学习的迭代方法给出的神经网络结构。此外，可以使用任何可以编码为可训练神经网络的后处理。将该方法应用于关节断层图像重建、分类和关节断层图像重构分割。

引用于4文件

MSC公司：

62至XX 统计
68倍 计算机科学

关键词：

反问题;图像重建;层析成像;深度学习;特征重构;分段;分类
PDF格式BibTeX公司 XML格式引用
\textit{J.Adler}等人，反问题。38，第7号，文章编号075006，21 p.（2022；Zbl 07543696）
全文： 内政部 arXiv公司

参考文献：

[1] 阿德勒，J。；Øktem，O.，使用迭代深度神经网络解决不适定逆问题，逆问题，33（2017）·兹比尔1394.92070 ·doi:10.1088/1361-6420/aa9581
[2] 阿德勒，J。；O.奥克特姆，《学习的原对偶重建》，IEEE Trans。医学影像学，371322-1332（2018）·doi:10.1109/tmi.2018.2799231
[3] 阿德勒，J。；Ringh，A。；O.Øktem。；Karlsson，J.，《学习利用Wasserstein损失解决反问题》（2017）
[4] Andrade-Loarca，H。；Kutyniok，G。；O.Øktem。；Petersen，P.C.，使用应用谐波分析和深度神经网络提取数字波前集，SIAM J.成像科学。，12, 1936-1966 (2019) ·Zbl 1439.35009号 ·doi:10.1137/19m1237594
[5] Arridge，S。；Maass，P。；O.Øktem。；Schönlieb，C-B，《使用数据驱动模型解决反问题》，《数值学报》。，28, 1-174 (2019) ·兹比尔1429.65116 ·doi:10.1017/s096249291900059
[6] Badrinarayan，V。；肯德尔，A。；奇波拉。，R.，SegNet：用于图像分割的深度卷积编码器-解码器架构，IEEE Trans。模式分析。机器。智力。，39, 2481-2495 (2017) ·doi:10.1109/tpami.2016.2644615
[7] Balakrishnan，G。；赵，A。；Sabuncu，M.R。；Guttag，J。；Dalca，A.V.，《VoxelMorph:可变形医学图像注册的学习框架》，IEEE Trans。医学成像，38，1788-1800（2019）·doi:10.1109/tmi.2019.2897538
[8] 本宁，M。；Burger，M.，《反问题的现代正则化方法》，《数值学报》。，27, 1-111 (2018) ·Zbl 1431.65080号 ·doi:10.1017/s0962492918000016
[9] Boink，Y.E。；马诺哈尔，S。；Brune，C.，《联合光声重建和分割的部分学习算法》，IEEE Trans。医学成像，39，129-139（2019）·doi:10.10109年3月19日至2922026年3月
[10] 汉堡，M。；Dirks，H。；Schönlieb，C-B，关节运动估计和图像重建的变分模型，SIAM J.Imaging Sci。，11, 94-128 (2018) ·Zbl 1437.94009号 ·doi:10.1137/16m1084183
[11] 汉堡，M。；Rossmanith，C。；Zhang，X.，动态spect成像的同时重建和分割，逆向问题，32（2016）·Zbl 1402.92266号 ·doi:10.1088/0266-5611/32/10/104002
[12] 陈，C。；Gris，B。；Ùktem，O.，时空成像中联合图像重建和运动估计的新变分模型，SIAM J.成像科学。，12, 1686-1719 (2019) ·Zbl 1434.68585号 ·数字对象标识代码：10.1137/18m1234047
[13] 陈，C。；Öktem，O.，具有大差异变形的间接图像配准，SIAM J.Imaging Sci。，11, 575-617 (2018) ·Zbl 1401.94013号 ·数字对象标识代码：10.1137/17m1134627
[14] Dahl，R。；诺鲁齐，M。；Shlens，J.，《像素递归超分辨率》（2017）
[15] Dashti，M。；Stuart，A.M。；加尼姆，R。；希格顿，D。；Owhadi，H.，《逆向问题的贝叶斯方法》，《不确定性量化手册》（2017），纽约：斯普林格出版社，纽约·doi:10.1007/978-3-319-12385-17
[16] 埃文斯，S.N。；Stark，P.B.，作为统计的反问题，反问题，18，R1-R55（2002）·Zbl 1039.62007号 ·doi:10.1088/0266-5611/18/4/201
[17] Farabet，C。；库普利，C。；纳杰曼，L。；LeCun，Y.，学习场景标记的层次特征，IEEE Trans。模式分析。机器。智力。，35, 1915-1929 (2013) ·doi:10.1109/tpami.2012.231
[18] Ghosal，S。；Ray，N.，《深度变形配准：通过完全卷积神经网络提高精度》，《模式识别》。莱特。，第94页，第81-86页（2017年）·doi:10.1016/j.patrec.2017.05.022
[19] Gris，B。；陈，C。；Öktem，O.，通过变形进行图像重建，逆问题，36（2020）·Zbl 1447.94005号 ·doi:10.1088/1361-6420/ab5832
[20] 郭，C。；普莱斯，G。；孙，Y。；Weinberger，K.O.，《关于现代神经网络的校准》（2017年）
[21] 郭毅。；刘，Y。；乔治奥，T。；Lew，M.S.，《使用深度神经网络进行语义分割的综述》，《国际医学杂志》。信息检索。，7, 87-93 (2018) ·doi:10.1007/s13735-017-0141-z
[22] Hauptmann，A。；O.Øktem。；Schönlieb，C-B；Chen，K。；Schönlieb，C-B；Tai，X-丙；Younes，L.，《利用时间模型进行动态逆问题中的图像重建》，《计算机视觉和成像数学模型和算法手册》（2020年），柏林：施普林格出版社，柏林
[23] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，770-778（2016）
[24] 赫林，T。；Burger，M.，无限维贝叶斯反问题的最大后验概率估计，反问题，31（2015）·Zbl 1325.62058号 ·doi:10.1088/0266-5611/31/8/085009
[25] Hohage，T。；Werner，F.，《泊松数据的反问题：统计正则化理论、应用和算法》，《反问题》，32（2016）·Zbl 1372.65163号 ·doi:10.1088/0266-5611/32/9/093001
[26] 霍姆，K。；斯托拉斯，M。；Weinmann，A.，成像逆问题的Mumford-Shah正则化算法框架，逆问题，31（2015）·Zbl 1329.35351号 ·doi:10.1088/0266-5611/31/11/115011
[27] Iizuka，S。；Simo-Serra，E。；石川，H.，让颜色存在！：全局和局部图像先验的联合端到端学习，用于同时分类的自动图像着色，ACM-Trans。图表。，35, 1-11 (2016) ·doi:10.1145/2897824.2925974
[28] 约翰逊，J。；阿拉希，A。；费菲，L。；Leibe，B。；马塔斯，J。；塞贝，N。；Welling，M.，实时风格传输和超分辨率的感知损失，694-711（2016），柏林：施普林格，柏林
[29] 凯皮奥，J.P。；Somersalo，E.，《统计与计算反问题》（2005），柏林：施普林格出版社，柏林·Zbl 1068.65022号
[30] Karpathy，A。；Fei-Fei，L.，生成图像描述的深层视觉语义对齐，IEEE Trans。模式分析。机器。智力。，39, 664-676 (2017) ·doi:10.1109/tpami.2016.2598339
[31] Klann，E。；Ramlau，R。；Ramlau，R。；Ring，W.，SPECT/CT数据反演和分割的Mumford-Shah水平集方法，反问题成像，5137-166（2011）·Zbl 1213.94015号 ·doi:10.3934/ipi.2011.5.137
[32] Krishnan，V.P。；昆托，E.T。；Scherzer，O.，层析成像中的微观局部分析，成像数学方法手册，847-902（2015），柏林：施普林格，柏林·Zbl 1395.94042号 ·doi:10.1007/978-1-4939-0790-8_36
[33] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，用深度卷积神经网络进行ImageNet分类，1097-1105（2012）
[34] Kutyniok，G。；Labate，D.，Shearlets:多元数据的多尺度分析（2012），柏林：施普林格出版社，柏林·Zbl 1237.42001号
[35] Lambin，P.，《放射学：医学成像和个性化医学之间的桥梁》，《国家临床评论》。Oncol.公司。，14 (2017) ·doi:10.1038/nrclinonc.2017.141
[36] 朗·L·F。；Neumayer，S。；O.Øktem。；Schönlieb，C-B，基于模板的稀疏层析数据图像重建，应用。数学。最佳。，82, 1081-1109 (2019) ·Zbl 1461.49048号 ·doi:10.1007/s00245-019-09573-2
[37] LeCun，Y。；博图，L。；Y.本吉奥。；Haffner，P.，《基于梯度的学习应用于文档识别》，Proc。IEEE，86，2278-2324（1998）·数字对象标识代码：10.1109/5.726791
[38] Liese，F。；Miescke，K-J，《统计决策理论：估计、测试和选择》（2008），纽约：施普林格出版社，纽约·Zbl 1154.62008年
[39] 刘杰。；Aviles-Rivero，A.I。；纪浩。；Schönlieb，C-B，通过形状先验重新思考医学图像重建，深入更快：深关节间接配准和重建（2019）
[40] Long，J。；谢尔哈默，E。；Darrell，T.，语义分割的完全卷积网络，3431-3440（2015）
[41] Louis，A.K.，反问题中的特征重构，反问题，27（2011）·兹伯利1229.47141 ·doi:10.1088/0266-5611/27/6/065010
[42] 勒卡，F。；Huynh，N。；Betcke，M。；张，E。；胡须，P。；考克斯，B。；Arridge，S.，通过同步运动估计增强压缩传感4D光声层析成像，SIAM J.成像科学。，11, 2224-2253 (2018) ·Zbl 1420.92060 ·doi:10.1137/18m117066
[43] Lunz，S。；O.Øktem。；Schönlieb，C-B，反问题中的对抗正则化子（2018）
[44] 马塔耶夫，G。；Elad，M。；DeepRED，P.M.，Deep image优先采用RED（2019年）
[45] Mohammad-Djafari，A.，Gauss-Markov-Potts，《计算机层析成像中图像的先验知识》，《国际层析成像杂志》。统计，11，76-92（2009）
[46] 蒙加，V。；李毅。；Eldar，Y.C.，《算法展开：信号和图像处理的可解释、高效深度学习》（2019年）
[47] Nickl，R.，《关于偏微分方程统计反问题的贝叶斯推断》，《伯努利新闻》，24，5-9（2017）
[48] 诺赫，H。；洪，S。；Han，B.，语义分割的学习反卷积网络，1520-1528（2015）
[49] Pouchol，C。；Verdier，O。；O.Øktem。；Knoll，F。；迈尔，A。；Rueckert，D。；Ye，J.C.，利用学习到的差异变形ML-EM进行时空PET重建，医学图像重建的机器学习（MLMIR 2019），151-162（2019年），柏林：斯普林格，柏林
[50] Ramlau，R。；Ring，W.，《x射线层析成像数据反演和分割的Mumford-Shah水平集方法》，J.Compute。物理。，221, 539-557 (2007) ·Zbl 1114.68077号 ·doi:10.1016/j.jcp.2006.06.041
[51] 罗曼诺，Y。；Isidoro，J。；Milanfar，P.，RAISR：快速准确的图像超分辨率，IEEE Trans。计算。成像，3110-125（2017）·doi:10.1109/tci.2016.2629284
[52] 罗曼诺夫，M。；达尔，A.B。；Dong，Y。；Hansen，P.C.，同步断层重建和分类先验分割，科学反问题。工程，24，1432-1453（2016）·Zbl 1349.92084号 ·doi:10.1080/17415977.2015.1124428
[53] O.Ronneberger。；菲舍尔，P。；布罗克斯，T。；U-Net；纳瓦布，N。；霍内格尔，J。；Wells，W.M。；Frangi，A.F.，《U-net：生物医学图像分割的卷积网络、医学图像计算和计算机辅助干预》（MICCAI 2015），234-241（2015），柏林：斯普林格，柏林·数字对象标识代码：10.1007/978-3-319-24574-4_28
[54] 鲁宾，G.D.，《计算机断层扫描：40年来医学实践的革命》，《放射学》，27345-74（2014）·doi:10.1148/radiol.14141356
[55] 鲁宾斯坦，R。；布鲁克斯坦，A.M。；Elad，M.，《稀疏表示建模词典》，Proc。IEEE，98，1045-1057（2010）·doi:10.1109/jproc.2010.2040551
[56] Schmoderer，T.等人。；Aviles-Rivero，A.I。；科罗纳，V。；Debroux，N。；Schönlieb，C-B，《快速MRI重建的学习光流》（2020年）
[57] 斯托拉斯，M。；魏曼，A。；弗里克尔，J。；Unser，M.，《使用Potts模型进行联合图像重建和分割》，《逆向问题》，31（2015）·Zbl 1342.94029号 ·doi:10.1088/0266-5611/31/2/025003
[58] Sun，L。；风扇，Z。；黄，Y。；丁，X。；佩斯利，J.，《利用统一深度网络进行CS-MRI联合重建和分割》，492-504（2018）
[59] Syu，N-S；Chen，Y-S；Chuang，Y-Y，《学习深度卷积网络用于退色》（2018年）
[60] Thoma，M.，语义分割调查（2016）
[61] van Timmeren，J.E。；塞斯特，D。；Tanadini-Lang，S。；Alkadhi，H。；Baessler，B.，《医学成像中的放射学——“操作指南”和批判性反思》，《洞察成像》，第11期，第91页（2020年）·doi:10.1186/s13244-020-00887-2
[62] 葡萄酒，O。；托舍夫，A。；Bengio，S。；Erhan，D.，《展示与讲述：神经图像字幕生成器》，3156-3164（2015）·doi:10.10109/cvpr.2015.7298935
[63] 王，G。；Ye，J.C。；米勒，K。；Fessler，J.A.，图像重建是机器学习的新前沿，IEEE Trans。医学成像，371289-1296（2018）·doi:10.1109/tmi.2018.2833635
[64] Wolterink，J.M。；丁克拉，A.M。；萨维尼耶，M.H F。；塞文克，P.R。；范登伯格，C.A.T。；Išgum，I。；沙法塔利斯，S。；古亚，A。；Frangi，A。；Prince，J.，《使用未配对数据进行深层MR到CT合成》，《医学成像中的模拟与合成》，14-23（2017），查姆：斯普林格，查姆·doi:10.1007/978-3-319-68127-6_2
[65] Wu，D。；Kim，K。；Dong，B。；Li，Q.，医学成像中的端到端异常检测（2017）
[66] 谢军。；徐，L。；Chen，E.，深度神经网络图像去噪与修复，341-349（2012）
[67] 杨，X。；Kwitt，R。；斯特纳，M。；Niethammer，M.，Quicksilver:快速预测图像注册——深度学习方法，NeuroImage，158378-396（2017）·doi:10.1016/j.neuroimage.2017.07.008
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。