非凸AI增强医学图像处理的递增算法

解决非凸正则化逆问题具有挑战性，原因在于其复杂的优化景观和多个局部极小值。然而，这些模型仍广泛应用于医学成像领域，因为它们往往产生高质量、以任务为导向的解决方案。在医学成像中，目标是增强临床相关特征，而不仅仅是最小化全局误差。我们提出了incDG框架，集成深度学习与递增模型优化，高效逼近 imaging 逆问题的 $\ell_0$ 最优解。基于Deep Guess策略，incDG利用深度神经网络生成有效初始化，供非凸变分求解器进行精细化重构。该设计将人工智能工具的效率与模型优化的理论保证相结合，确保鲁棒性和稳定性。我们在TpV正则化优化任务上验证了incDG，证明其在医学图像去模糊和断层扫描重建中有效，包括合成图像、脑部CT切片和胸腹部扫描。结果表明，incDG优于传统迭代求解器和深度学习方法，实现更高的精度和稳定性。此外，我们确认在无真值训练时，incDG性能不会显著下降，使其成为解决图像及更广泛领域中非凸逆问题的实用且强大的工具。