从不完整的测量结果进行无监督图像重建的姆人合作学习

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 从不完整测量的图像重建是各种成像模式的一个基本挑战.
• 监督深度学习方法需要广泛的隐性图像数据集进行培训,这限制了它们在数据稀缺的情况下的适用性.
• 开发无监督方法对于将深度学习扩展到难以获取地面真相数据的成像任务至关重要.

研究的目的:

• 为图像重建提出一个无监督的深度学习框架,不需要隐藏图像.
• 在获取完整测量数据具有挑战性的场景中,使基于深度学习的图像重建成为可能.
• 为了证明在各种成像应用中提出的方法的有效性.

主要方法:

• 开发一个罗式网络架构,双子子网络在互补的数据空间 (零和范围空间) 上运行.
• 实现自主监督的损失函数,包括数据一致性和相互一致性条款.
• 仅使用可用的测量数据来训练深度模型,从而消除了对潜在图像的需求.

主要成果:

• 无监督的语网络有效地从不完整的测量中重建图像.
• 自主监督的损失通过在不同数据表示中强制执行一致性来确保准确的重建.
• 在四个不同的成像任务上的实验验证表明,与现有的无监督解决方案相比,性能优越.

结论:

• 拟议的无监督深度学习方法为图像重建的监督方法提供了一个可行的替代方案.
• 这一框架显著扩大了深度学习在对隐藏数据的访问有限或不存在的成像领域的适用性.
• 该方法对各种成像应用具有前景,特别是那些数据采集本质上具有挑战性的应用.