结合基于物理的建模与深度学习的超声弹性成像
图像与视频处理
2021-07-29 v1
摘要
能够可视化组织刚度定量图的超声弹性图像可通过求解逆问题来重建。用于超声弹性成像的经典基于模型的方法使用确定性有限元方法（FEMs）以纳入支配性物理定律，导致在噪声条件下性能较差。此外，这些方法对各种组织模式采用固定的正则化器，而捕捉复杂空间弹性分布可能需要适当的数据自适应先验。为此，我们提出一种基于模型与基于学习相结合的框架，通过求解正则化优化问题来估计弹性分布。我们提出一个由基于统计物理的正向模型和数据驱动正则化器组成的集成目标函数，以利用深度神经网络学习潜在的弹性先验。该约束优化问题使用梯度下降（GD）方法求解，并将正则化器的梯度简单替换为训练好的去噪器网络的残差，从而获得具有更短计算时间的显式目标函数。
引用
@article{arxiv.2107.13120,
title = {Combining physics-based modeling and deep learning for ultrasound elastography},
author = {Narges Mohammadi and Marvin M. Doyley and Mujdat Cetin},
journal= {arXiv preprint arXiv:2107.13120},
year = {2021}
}