面向磁粒子成像的学习差异重构与基准数据集
数值分析
2025-01-13 v1 机器学习
数值分析
摘要
磁粒子成像（MPI）是一种新兴的成像模态，基于超顺磁性氧化铁纳米颗粒的磁响应，实现无有害辐射的高分辨率和实时成像。MPI 图像重构任务的一个关键挑战源于其底层噪声模型，该模型不满足应用传统重构方法时所作的隐式高斯假设。为应对这一挑战，我们引入了学习差异方法，这是一种用于逆问题的基于学习的新型重构方法，包含一个学习到的差异函数。它通过引入可逆神经网络来显式建模特定问题的噪声分布，从而增强了传统技术。该方法不依赖隐式高斯噪声假设，使其特别适合处理 MPI 中复杂的噪声模型，同时也适用于其他逆问题。为进一步推进 MPI 重构技术，我们引入了 MPI-MNIST 数据集——这是一个源自手写数字 MNIST 数据集的大规模模拟 MPI 测量数据集合。该数据集包含由最先进的基于模型的系统矩阵生成的噪声扰动测量数据，以及临床前 MPI 扫描仪设备的测量数据。这为算法测试提供了一个真实且灵活的环境。在 MPI-MNIST 数据集上的验证表明，与经典重构技术相比，我们的方法在结构相似性方面的重构质量有显著提升。
引用
@article{arxiv.2501.05583,
title = {Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging},
author = {Meira Iske and Hannes Albers and Tobias Knopp and Tobias Kluth},
journal= {arXiv preprint arXiv:2501.05583},
year = {2025}
}