×
塞巴斯蒂安·伦兹;安德烈亚斯·豪普特曼;塔瓦恩、坦贾;卡罗拉·比比安·施恩利布;西蒙·阿里奇

关于反问题中的学习算子修正。 （英语） 兹比尔1474.65182

SIAM J.成像科学。 14，编号1，92-127（2021）.
摘要：我们讨论了学习数据驱动的反问题显式模型校正的可能性，以及这种模型校正是否可以在变分框架内用于获得正则化重建。本文讨论了学习这种前向模型校正的概念困难，并提出了一种可能的解决方案，即在数据空间和解决方案空间中明确校正的前向伴随校正。然后，我们导出了带学习修正的变分问题的解收敛于用正确算子获得的解的条件。将该方法应用于有限视场光声层析成像，并与贝叶斯近似误差方法的既定框架进行了比较。

引用于10文件

MSC公司：

65K10码 数值优化和变分技术
65层22 数值线性代数中的不适定性和正则化问题
94A08型 信息与通信理论中的图像处理（压缩、重建等）
47A52型 线性算子和不适定问题，正则化
68T07型 人工神经网络与深度学习

关键词：

模型修正;反问题;操作员学习;深度学习;变分法;光声层析成像

软件：

Deep Adverserial正则化器;掌中宽带;k波;网络电话
PDF格式BibTeX公司 XML格式引用
\textit{S.Lunz}等人，SIAM J.成像科学。14，编号1，92-127（2021；Zbl 1474.65182）
全文： 内政部 arXiv公司

参考文献：

[1] J.Adler和O.Oöktem，使用迭代深度神经网络解决不适定逆问题，逆问题，33（2017），124007·Zbl 1394.92070号
[2] J.Adler和O.Oöktem，学习原始对偶重建，IEEE Trans。《医学成像》，37（2018），第1322-1332页。
[3] S.Antholzer、M.Haltmeier和J.Schwab，稀疏数据光声层析成像的深度学习，反向问题。科学。《工程》，27（2019），第987-1005页·兹比尔1465.94008
[4] S.Arridge、J.Kaipio、V.Kolehmainen、M.Schweiger、E.Somersalo、T.Tarvainen和M.Vauhkonen，光学扩散层析成像中的近似误差和模型简化应用，逆问题，22（2006），第175-195页·Zbl 1138.65042号
[5] S.Arridge、P.Maass、O.O¨ktem和C.-B.Scho¨nlieb，《使用数据驱动模型解决反问题》，《数值学报》。，28（2019），第1-174页·Zbl 1429.65116号
[6] P.Beard，生物医学光声成像，界面焦点，1（2011），第602-631页。
[7] Y.E.Boink和C.Brune，《学习SVD：通过混合自动编码解决反问题》，预打印，https://arxiv.org/abs/1912.10840 (2019).
[8] L.Borcea、V.Druskin、A.Mamanov、S.Moskow和M.Zaslvsky，谱域反演的降阶模型：嵌入连续问题和内部数据的生成，逆问题，36（2020），055010·Zbl 1478.65106号
[9] T.A.Bubba、G.Kutyniok、M.Lassas、M.Maerz、W.Samek、S.Siltanen和V.Srinivasan，《学习看不见的东西：有限角度计算机断层扫描的混合深度学习-小脑框架》，《反问题》，35（2019），064002·Zbl 1416.92099号
[10] M.Burger、Y.Korolev和J.Rasch，不完全正向模型反问题解的收敛速度和结构，反问题，35（2019），024006·Zbl 1408.49033号
[11] B.Cox和P.Beard，使用k空间方法快速计算流体中的脉冲光声场，J.Acoust。Soc.Amer.，美国。，117（2005），第3616-3627页。
[12] N.Davoudi、X.L.DeaíN-Ben和D.Razansky，《稀疏数据的深度学习光声层析成像》，《自然·马赫》。智力。，1（2019），第453-460页。
[13] H.Egger、J.-F.Pietschmann和M.Schlottbom，《容积填充趋化性模型的识别》，SIAM J.Appl。数学。，75（2015），第275-288页·Zbl 1328.35305号
[14] R.W.Freund，基于Krylov子空间的模型约简方法，Acta Numer。，12（2003年），第267-319页·Zbl 1046.65021号
[15] S.Guan、A.Khan、S.Sikdar和P.Chitnis，用于消除二维稀疏光声层析成像伪影的全密度UNet，IEEE J.Biomed。健康通知。，24（2020年），第568-576页。
[16] S.J.Hamilton和A.Hauptmann，《Deep D-bar：使用深度神经网络的实时电阻抗断层成像》，IEEE Trans。医学成像，37（2018），第2367-2377页。
[17] K.Hammernik、T.Klatzer、E.Kobler、M.P.Recht、D.K.Sodickson、T.Pock和F.Knoll，学习用于重建加速MRI数据的变分网络，Magn。Reson公司。《医学》，79（2018），第3055-3071页。
[18] A.Hauptmann、J.Adler、S.Arridge和O.Oöktem，多尺度学习迭代重建，IEEE Trans。计算。图像，以显示。
[19] A.Hauptmann、S.Arridge、F.Lucka、V.Muthurangu和J.A.Steeden，先天性心脏病中使用深度学习概念抑制时空伪影的实时心血管MR，Magn。Reson公司。《医学》，81（2019），第1143-1156页。
[20] A.Hauptmann、B.Cox、F.Lucka、N.Huynh、M.Betcke、P.Beard和S.Arridge，《用于快速光声重建的近似k空间模型和深度学习》，摘自《用于医学图像重建的机器学习国际研讨会》，瑞士Cham Springer，2018年，第103-111页。
[21] A.Hauptmann、F.Lucka、M.Betcke、N.Huynh、J.Adler、B.Cox、P.Beard、S.Ourselin和S.Arridge，基于模型的加速有限视三维光声层析成像学习，IEEE Trans。医学成像，39（2018），第1382-1393页。
[22] K.H.Jin、M.T.McCann、E.Froustey和M.Unser，用于成像逆问题的深度卷积神经网络，IEEE Trans。图像处理。，26（2017），第4509-4522页·Zbl 1409.94275号
[23] J.Kaipio和E.Somersalo，统计和计算反问题，应用。数学。科学。160，Springer，纽约，2005年·Zbl 1068.65022号
[24] J.Kaipio和E.Somersalo，《统计反问题：离散化、模型简化和反犯罪》，J.Compute。申请。数学。，198（2007），第493-504页·Zbl 1101.65008号
[25] E.Kang、J.Min和J.C.Ye，使用方向小波进行低剂量X射线CT重建的深度卷积神经网络，医学物理。，44（2017年），第e360-e375页。
[26] M.C.Kennedy和A.O'Hagan，计算机模型的贝叶斯校准，J.R.Stat.Soc.Seri。B统计方法。，63（2001年），第425-464页·Zbl 1007.62021号
[27] E.Kobler、A.Effland、K.Kunisch和T.Pock，线性反问题的总深度变化，《IEEE/CVF计算机视觉和模式识别会议论文集》，IEEE，新泽西州皮斯卡塔韦，2020年，第7549-7558页。
[28] K.P.Koestli、M.Frenz、H.Bebie和H.P.Weber，使用傅里叶变换方法的光声压力瞬变的时间反向投影，物理。医学生物学。，46（2001），第1863-1872页。
[29] Y.Korolev和J.Lellmann，不完全正演模型的图像重建及其在去模糊中的应用，SIAM J.成像科学。，11（2018），第197-218页·Zbl 1401.94018号
[30] P.Kuchment和L.Kunyansky，热声层析成像数学，欧洲应用杂志。数学。，19（2008），第191-224页·Zbl 1185.35327号
[31] H.Li、J.Schwab、S.Antholzer和M.Haltmeier，Nett：用深度神经网络解决反问题，《反问题》，36（2020），065005·Zbl 1456.65038号
[32] A.Lorz，J.-F.Pietschmann和M.Schlottbom，结构化人口模型中的参数识别，逆向问题，35（2019），095008·Zbl 1422.92122号
[33] S.Lunz、O.Oöktem和C.-B.Schoánlieb，逆向问题中的对抗正则化子，摘自《神经信息处理系统的进展》，Curran Associates，Red Hook，NY，2018年，第8507-8516页。
[34] O.Ronneberger、P.Fischer和T.Brox，《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国际会议》，瑞士查姆施普林格，2015年，第234-241页。
[35] T.Sahlstro­m、A.Pulkkinen、J.Tick、J.Leskinen和T.Tarvainen，光声层析成像中超声波传感器位置不确定性引起的误差建模，IEEE Trans。医学成像，39（2020），第2140-2150页。
[36] J.Schlemper、J.Caballero、J.V.Hajnal、A.N.Price和D.Rueckert，用于动态MR图像重建的卷积神经网络深层级联，IEEE Trans。《医学成像》，37（2017），第491-503页。
[37] J.Schwab、S.Antholzer和M.Haltmeier，《反问题的深空空间学习：收敛分析和速率》，《逆问题》，35（2019），025008·Zbl 1491.65039号
[38] J.H.Siewerdsen和D.A.Jaffray，使用平板成像仪的锥形束计算机断层扫描：X射线散射的幅度和影响，医学物理。，28（2001），第220-231页。
[39] D.Smyl和D.Liu，《越少越好：使用hp-forward模型的应用反问题》，J.Compute。物理。，399 (2019), 108949. ·Zbl 1453.74080号
[40] D.Smyl、T.N.Tallman、J.A.Black、A.Hauptmann和D.Liu，学习和纠正非高斯模型错误，预印本，https://arxiv.org/abs/2005/14592 (2020).
[41] T.Tarvainen、A.Pulkkinen、B.T.Cox、J.P.Kaipio和S.R.Arridge，定量光声层析成像中的贝叶斯图像重建，IEEE Trans。《医学成像》，32（2013），第2287-2298页。
[42] B.E.Treeby和B.T.Cox，《k波：光声波场模拟和重建的Matlab工具箱》，J.Biomed。选择。，15 (2010), 021314.
[43] B.E.Treeby、J.Jaros、A.P.Rendell和B.T.Cox，使用k-空间伪谱方法对具有幂律吸收的非均匀介质中非线性超声传播进行建模。，J.声学。Soc.Amer.，美国。，131（2012），第4324-4336页，https://doi.org/10.1121/1.4712021。
[44] V.Vishnevskiy、R.Rau和O.Goksel，用于学习计算机断层扫描的指数加权深度变分网络，国际医学图像计算和计算机辅助干预会议，瑞士查姆施普林格，2019，第310-318页。
[45] L.W.Y Xu、G.Ambartsoumian和P.Kuchment，有限视野热声断层成像重建，医学物理。，31（2004），第724-733页。
[46] E.Zhang、J.Laufer和P.Beard，使用平面法布里-珀罗聚合物膜超声传感器的反向多波长光声扫描仪，用于生物组织的高分辨率三维成像，应用。选择。，47（2008），第561-577页。
[47] 朱立群，谢义勇，王建军，李兴，放射治疗中锥束CT散射校正，医学物理。，36（2009年），第2258-2268页。
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。