通过神经网络辅助的低采样数据进行代图像重建
1Department of Computer Science, Utah Valley University, Orem, Utah, USA; Department of Radiology and Imaging Sciences, University of Utah, Salt Lake City, Utah, USA.
概括
这项研究引入了一种新的贝叶斯术语,CNN分数,由神经网络分类器生成,用于检测样本不足的图像重建中的工件. 这种方法有效地通过最小化CNN分数来抑制图像重建文物.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 代算法是采样不足的图像重建的标准,最小化数据忠实性和贝叶斯式术语的客观函数.
- 总变化 (TV) 规范是一个常见的贝叶斯式术语,用于图像重建.
研究的目的:
- 介绍一个新的贝叶斯式术语用于图像重建.
- 使用神经网络分类器来识别和惩罚重建图像中的文物.
主要方法:
- 在从完整和不完整的数据集重建的患者图像上训练了一个神经网络分类器.
- 神经网络生成一个"CNN分数",表示文物严重程度.
- 这个CNN分数作为一个额外的贝叶斯术语被纳入代重建算法.
主要成果:
- 患者研究表明,CNN得分与文物严重程度之间存在强烈的相关性.
- 美国有线电视新闻网的得分有效量化了因不完整数据造成的文物.
结论:
- 神经网络可以提取显示不完整测量的图像特征,并将其量化为CNN分数.
- 在代重建算法中最小化CNN得分可以在最终图像中抑制文物.


