压缩感知光声断层成像中深度学习与 $\ell^1$-最小化的比较
数值分析
2024-12-20 v1 数值分析
医学物理
摘要
我们研究了用于减少光声断层成像（PAT）中测量次数的压缩感知（CS）技术。从 CS 数据进行高分辨率成像需要特定的图像重建算法。为此目的最成熟的重建技术利用稀疏性和 -最小化。最近，深度学习作为 CS 和其他逆问题的新范式出现。在本文中，我们将一种最近发明的联合 -最小化算法与两种深度学习方法（即残差网络和近似零空间网络）进行比较。我们给出的数值结果表明，所有开发的技术对于确定性稀疏测量和随机伯努利测量均表现良好。对于确定性采样，深度学习显示出更准确的结果；而对于伯努利测量，-最小化算法表现最佳。在比较所实现的深度学习方法时，我们表明零空间网络在均方误差（MSE）方面一致优于残差网络。
引用
@article{arxiv.1901.06510,
title = {Deep learning versus $\ell^1$-minimization for compressed sensing photoacoustic tomography},
author = {Stephan Antholzer and Johannes Schwab and Markus Haltmeier},
journal= {arXiv preprint arXiv:1901.06510},
year = {2024}
}
备注
This work has been presented at the Joint Photoacoustics Session with the 2018 IEEE International Ultrasonics Symposium Kobe, October 22-25, 2018