用于自适应压缩成像的深度Sylvester后验推断
图像与视频处理
2025-01-08 v1 人工智能
计算机视觉与模式识别
摘要
超声图像通常由依次获取倾斜扫描线形成。减少所需扫描线数量可显著提高帧率、场域、能源效率和数据传输速度。现有方法通常采用静态抽样方案结合稀疏性方法或更近期的深度学习恢复方法。在本工作中，我们引入一种自适应抽样方法，通过最大化现场内的内在信息增益，采用Sylvester正规化流编码器对部分观察下的准贝叶斯后验进行实时推断。在利用贝叶斯后验和针对未来观察的深度生成模型后，确定最大化亚采样观察值与下一帧视频视频之间互信息的抽样方案。我们采用EchoNet心脏超声视频数据集进行评估，证明了本方法优于竞争基线，包括均匀抽样、可变密度随机抽样以及等距间隔扫描线，平均绝对重构误差提高了15%。此外，后验推断和抽样方案生成仅需0.015秒（66Hz），足以用于实时2D超声成像应用。
引用
@article{arxiv.2501.03825,
title = {Deep Sylvester Posterior Inference for Adaptive Compressed Sensing in Ultrasound Imaging},
author = {Simon W. Penninga and Hans van Gorp and Ruud J. G. van Sloun},
journal= {arXiv preprint arXiv:2501.03825},
year = {2025}
}