X射线CT中的动态角度选择：基于强化学习的优最优停止方法
计算机视觉与模式识别
2025-05-27 v2 人工智能
机器学习
摘要
在工业X射线运动断层扫描( CT)中，快速线缆检测的需求至关重要。稀疏角度断层扫描在这方面发挥着重要作用，通过减少所需的投影数量，从而加快处理速度并节省资源。大多数现有方法旨在平衡重建质量和扫描时间，通常依赖于固定的扫描时长。对角度数的自适应调整是必需的；例如，对于具有复杂几何或噪声投影的对象可能需要更多角度。优最优停止的概念即能够根据不同工业需求动态调整这一平衡，仍被忽视。基于我们之前的工作，我们将优最优停止集成到顺序最优实验设计( sOED)和强化学习( RL)中。我们提出了一种用于计算Actor-Critic框架中策略梯度的新方法，使开发针对信息性角度选择和扫描终止的自适应策略成为可能。此外，我们研究了在所developed学习方法的上下文中模拟与实际应用之间的差距。我们训练的模型使用合成数据开发，显示在应用于实验X射线CT数据时表现可靠。这一方法增强了CT操作的灵活性，并扩展了稀疏角度断层扫描在工业环境中的适用性。
引用
@article{arxiv.2503.12688,
title = {Dynamic Angle Selection in X-Ray CT: A Reinforcement Learning Approach to Optimal Stopping},
author = {Tianyuan Wang and Felix Lucka and Daniël M. Pelt and K. Joost Batenburg and Tristan van Leeuwen},
journal= {arXiv preprint arXiv:2503.12688},
year = {2025}
}