学习子采样与信号恢复及其在超声成像中的应用
图像与视频处理
2021-01-26 v5 机器学习
摘要
带宽与功耗的限制对诊断成像系统的数据速率施加了严格约束。因此，合适的（即任务与数据感知的）压缩与重建技术的设计近年来引起了相当多的关注。压缩感知作为一种从少量压缩测量中重建稀疏信号的流行框架而出现。然而，典型的压缩感知设计测量所有输入信号元素的（非）线性加权组合，这带来了实际挑战。这些设计也不一定是任务最优的。此外，实时恢复受到稀疏恢复算法迭代且耗时性质的阻碍。最近，深度学习方法已显示出从压缩测量中快速恢复的潜力，但充分且实用的感知策略设计仍具挑战。在此，我们提出一种称为深度概率子采样（Deep Probabilistic Sub-sampling, DPS）的深度学习方案，其学习任务驱动的子采样模式，同时联合训练后续任务模型。一旦学习完成，基于任务的子采样模式即固定且易于实现，例如通过非均匀模数转换、稀疏阵列设计或慢时间超声脉冲方案。我们的框架的有效性在仿真中针对部分傅里叶测量的稀疏信号恢复得到证明，并在体内针对来自子采样医学超声成像数据的解剖图像与组织运动（多普勒）重建得到证明。
引用
@article{arxiv.1908.05764,
title = {Learning Sub-Sampling and Signal Recovery with Applications in Ultrasound Imaging},
author = {Iris A. M. Huijben and Bastiaan S. Veeling and Kees Janse and Massimo Mischi and Ruud J. G. van Sloun},
journal= {arXiv preprint arXiv:1908.05764},
year = {2021}
}