利用提供预测不确定性的深度学习方法补偿光声成像中的可见伪影
图像与视频处理
2020-11-19 v2 光学
摘要
传统光声成像可能受限于超声换能器的有限视角与带宽。本文提出一种深度学习方法处理这些问题，并在叶片骨架多尺度模型的仿真与实验中予以验证。我们采用实验方法，以样本照片作为真值图像来构建训练集与测试集。神经网络生成的重建图像相比传统方法图像质量大幅提升。此外，本工作旨在量化神经网络预测的可靠性。为此，应用 dropout Monte-Carlo 程序来估计每幅预测图像的逐像素置信度。最后，我们探讨了利用仿真数据进行迁移学习以大幅缩减实验数据集规模的可能性。
引用
@article{arxiv.2006.13096,
title = {Compensating for visibility artefacts in photoacoustic imaging with a deep learning approach providing prediction uncertainties},
author = {Guillaume Godefroy and Bastien Arnal and Emmanuel Bossy},
journal= {arXiv preprint arXiv:2006.13096},
year = {2020}
}
备注
main text 10 pages + Supplementary materials 6 pages