揭示传输动力学背后的隐藏物理
图像与视频处理
2021-03-30 v2 计算机视觉与模式识别
摘要
传输过程无处不在。例如，它们是光流方法的核心，或是灌注成像的核心——后者最常通过注入示踪剂来评估血液传输。平流-扩散方程被广泛用于描述这些传输现象。我们的目标是估计平流-扩散方程的底层物理，表示为速度和扩散张量场。我们提出一个学习框架（YETI），构建于 2D 与 3D 图像时间序列之间的自编码器结构之上，并融入平流-扩散模型。为辅助可辨识性，我们开发了一个平流-扩散模拟器，可通过使用速度和扩散张量场的监督学习对模型预训练。我们不直接学习这些速度和扩散张量场，而是引入保证不可压缩流与对称半正定扩散场的表示，并展示了这些表示在提升估计精度上的额外益处。我们进一步使用迁移学习将 YETI 应用于公开的脑卒中患者脑磁共振（MR）灌注数据集，并展示其通过估计的速度和扩散张量场成功区分卒中病灶与正常脑区的能力。
引用
@article{arxiv.2011.12222,
title = {Discovering Hidden Physics Behind Transport Dynamics},
author = {Peirong Liu and Lin Tian and Yubo Zhang and Stephen R. Aylward and Yueh Z. Lee and Marc Niethammer},
journal= {arXiv preprint arXiv:2011.12222},
year = {2021}
}
备注
Accepted as ORAL at CVPR 2021 (20 pages, 13 figures)