训练用于电磁医学成像的通用深度学习网络,使用大量随机对象数据库
Fei Xue1, Lei Guo1, Alina Bialkowski1
1School of Electrical Engineering and Computer Science, The University of Queensland, Brisbane 4072, Australia.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究介绍了一种多样化,随机生成的数据集,用于训练电磁医学成像中的深度学习模型. 这种方法提高了模型的普遍性和准确性,用于复杂场景中的允许性概况重建.
科学领域:
- 电磁医学成像电子成像技术
- 深度学习应用程序深度学习应用程序
- 计算电磁学的计算.
背景情况:
- 深度学习优于电磁医学成像中的反向问题.
- 目前的方法由于有限,简化的培训数据而存在不准确性.
- 需要强大的数据集来表示复杂的组织特性.
研究的目的:
- 开发一个新的,广泛的,多样化的数据库,用于训练通用深度学习模型.
- 在复杂的电磁医学成像中实现准确的电容性配置重建.
- 提高医学成像反向问题的深度学习网络的概括能力.
主要方法:
- 构建了一个数据库,包含25,000个具有随机形状结构 (圆,多边形) 和不同电性质的独特物体.
- 使用天线阵列辐射和捕获分散信号,生成代表性的电磁信号.
- 训练了一个定制的U-net深度学习模型,使用生成的信号进行允许性配置重建.
主要成果:
- 经过培训的U-net在各种测试数据集上实现了高精度.
- 结构相似度得分超过了0.84.
- 规范化根平均平方误差低于14%,峰值信号噪声比超过33dB.
结论:
- 构建的数据库对于训练可泛化深度学习网络非常实用.
- 这种方法可以在没有辅助算法的情况下准确地解决医学成像中的反向问题.
- 通过先进的深度学习技术,证明了通过先进的深度学习技术提高诊断准确性的潜力.


