利用精度学习推导神经网络架构：平行束到扇束转换
计算机视觉与模式识别
2018-10-24 v2
摘要
在本文中，我们基于平行束到扇束转换问题的解析表述，遵循精度学习的概念推导了一种神经网络架构。该网络允许以数据驱动的方式学习此转换中的未知算子，避免插值及潜在的分辨率损失。已知算子的集成使得可训练参数数量很少，仅由合成数据即可估计。该概念在混合 MRI/X 射线成像背景下进行评估，其中需要将平行束 MRI 投影转换为扇束 X 射线投影。所提出的方法与传统重排方法进行比较。结果表明，所提出的方法优于逐射线插值，并能够在使用相同数量平行束输入投影的情况下给出更清晰的图像，这对于介入应用至关重要。我们认为该方法为进一步统一深度学习、信号处理、物理和传统模式识别的工作奠定了基础。
引用
@article{arxiv.1807.03057,
title = {Deriving Neural Network Architectures using Precision Learning: Parallel-to-fan beam Conversion},
author = {Christopher Syben and Bernhard Stimpel and Jonathan Lommen and Tobias Würfl and Arnd Dörfler and Andreas Maier},
journal= {arXiv preprint arXiv:1807.03057},
year = {2018}
}
备注
Inproceedings GCPR 2018