×

一种数据和知识驱动的SPECT方法,使用卷积神经网络和迭代算法。 (英语) Zbl 1473.92023号

总结:我们将SPECT的经典迭代算法与卷积神经网络相结合,提出了一种数据和知识驱动的SPECT方法。使用经典迭代算法(如ART和ML-EM)提供SPECT的模型知识。然后连接一个改进的U网络,以利用SPECT重建图像和数据正弦图的进一步特征。我们为提出的网络结构提供了数学公式。该网络通过使用微分支优化技术的监督学习进行训练。我们将训练好的网络应用于模拟肺灌注成像和模拟心肌灌注成像问题,数值结果证明了它们从噪声数据测量中重建源图像的有效性。

MSC公司:

92C55 生物医学成像和信号处理
65兰特 积分方程反问题的数值方法
68T07型 人工神经网络与深度学习
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] J.Adler和O.Øktem,使用迭代深度神经网络解决不适定逆问题,逆问题33(2017),第12期,文章ID 124007·Zbl 1394.92070号
[2] J·阿德勒和O·ãktem,《学习的原始-对偶重建》,IEEE Trans。医学图像。37(2018),第6期,1322-1332。
[3] E.V.Arbuzov、A.L.Bukhgeĭm和S.G.Kazantsev,二维层析成像问题和理论𝐴-分析函数,西伯利亚高级数学。8(1998),第4期,第1-20页·Zbl 0912.35154号
[4] A.Beck和M.Teboulle,线性反问题的快速迭代收缩阈值算法,SIAM J.Imaging Sci。2(2009),第1期,183-202·Zbl 1175.94009号
[5] J.Brownlee,对小批量梯度下降和如何配置批量大小的温和介绍,预印本(2017),https://machinelirningmastership.com/gentle-introduction-mini-batch-gradient-descent-configure-batch-size/。
[6] L.-C.Chen,G.Papandreou,I.Kokkinos,K.Murphy和A.L.Yuille,基于深度卷积网络和全连通crf的语义图像分割,预印本(2014),https://arxiv.org/abs/1412.7062。
[7] M.M.A.Dietze、W.Branderhorst、B.Kunnen、M.A.Viergever和H.W.A.M.de Jong,用FBP和图像增强卷积神经网络加速SPECT图像重建,EJNMMI Phys。6(2019),第14号文件。
[8] D.V.Finch,《衰减x射线变换:最新发展》,《由内而外:反问题和应用》,数学。科学。Res.Inst.出版。47,剑桥大学,剑桥(2003),47-66·Zbl 1083.44500号
[9] R.Gordon、R.Bender和G.T.Herman,三维电子显微镜和X射线摄影的代数重建技术(ART),J.Theoret。生物学29(1970),编号3,471-481。
[10] K.He,X.Zhang,S.Ren和J.Sun,图像识别的深度剩余学习,IEEE计算机视觉和模式识别会议论文集,IEEE出版社,Piscataway(2016),770-778。
[11] H.M.Hudson和R.S.Larkin,使用投影数据的有序子集加速图像重建,IEEE Trans。医学图像。13(1994),第4期,601-609。
[12] S.Ioffe和C.Szegedy,《批量规范化:通过减少内部协变量偏移加快深层网络培训》,预印本(2015年),https://arxiv.org/abs/1502.03167。
[13] K.H.Jin,M.T.McCann,E.Froustey和M.Unser,成像逆问题的深度卷积神经网络,IEEE Trans。图像处理。26(2017),第9期,4509-4522·Zbl 1409.94275号
[14] D.P.Kingma和J.Ba,Adam:随机优化方法,预印本(2014),https://arxiv.org/abs/1412.6980。
[15] A.Krizhevsky、I.Sutskever和G.E.Hinton,深度卷积神经网络的Imagenet分类,神经信息处理系统进展,纽约斯普林格出版社(2012),1097-1105。
[16] D.S.Lalush和B.M.W.Tsui,SPECT最大后验重建的广义吉布斯先验,Phys。医学生物学。38(1993),第6号,第729号论文。
[17] S.Luo,J.Qian和P.Stefanov,SPECT识别问题的伴随状态法:衰减X射线变换中源和衰减的恢复,SIAM J.成像科学。7(2014),第2期,696-715·Zbl 1296.65185号
[18] R.G.Novikov,衰减X射线变换的反演公式,Ark.Mat.40(2002),第1期,145-167·Zbl 1036.53056号
[19] 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,查姆斯普林格(2015),234-241。
[20] O.Russakovsky、J.Deng、H.Su、J.Krause、S.Satheesh、S.Ma、Z.Huang、A.Karpathy、A.Khosla和M.Bernstein,《Imagenet大规模视觉识别挑战》,国际计算机杂志。视觉。115(2015),第3期,211-252。
[21] L.A.Shepp和Y.Vardi,发射层析成像的最大似然重建,IEEE Trans。医学图像。1(1982),第2期,113-122。
[22] D.Strong和T.Chan,全变分正则化的边保护和尺度相关性质,《反问题》19(2003),第6期,S165-S187·Zbl 1043.94512号
[23] B.Wahlberg、S.Boyd、M.Annergren和Y.Wang,一类全变差正则化估计问题的ADMM算法,IFAC Proc。45(2012),第16期,第83-88页。
[24] X.Zhang,M.Burger和S.Osher,基于Bregman迭代的统一原对偶算法框架,J.Sci。计算。46(2011),第1期,20-46页·兹比尔1227.65052
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。