无监督的知识转移用于学习的图像重建
Riccardo Barbano1, Željko Kereta1, Andreas Hauptmann1,2
1Department of Computer Science, University College London, Gower Street, London WC1E 6BT, United Kingdom.
Inverse problems
|September 25, 2023
概括
这项研究引入了用于医疗图像重建的无监督深度学习方法,克服了对大量配对数据的需求. 新的贝叶斯框架提高了重建质量,并提供了不确定性信息,特别是对于各种数据分布.
科学领域:
- 医学成像医学成像
- 深度学习是一种深度学习.
- 计算机成像成像技术
背景情况:
- 深度学习图像重建显示出希望,但需要大型配对数据集,通常无法在医学成像中使用.
- 现有的方法在数据分布转移方面遇到了困难,这影响了重建质量和可靠性.
研究的目的:
- 在贝叶斯框架内开发一种新的未经监督的知识转移范式,用于贝叶斯框架内的学习图像重建.
- 从有限或多样化的医学成像数据中实现准确的重建,同时提供不确定性量化.
主要方法:
- 两阶段的培训方法:对模拟数据进行初始培训,然后对现实数据进行无监督的微调.
- 使用贝叶斯框架来结合先前的知识并生成预测性不确定性地图.
- 在低剂量和稀疏视图计算机断层扫描数据集上的实验验证.
主要成果:
- 提出的无监督方法实现了与最先进的监督和无监督技术相比具有竞争力的性能.
- 观察到视觉和定量指标 (PSNR,SSIM) 的显著改善,特别是与培训集不同分布的数据.
- 该框架成功地为重建图像提供预测不确定性信息.
结论:
- 开发的无监督贝叶斯框架有效地解决了基于深度学习的医学图像重建中的数据稀缺问题.
- 这种方法提供了强大而准确的重建,即使有领域转移,并量化不确定性,提高临床效用.
