面向三维光声成像的内存高效可逆神经网络
图像与视频处理
2022-04-27 v1 机器学习
摘要
光声成像（PAI）可对临床关注的高分辨率结构（如肿瘤监测中的血管分布）成像。在对人体受试者成像时，几何限制迫使只能获取有限视角数据，从而导致成像伪影。基于迭代物理模型的方法可减少伪影，但需要耗时的偏微分方程求解，难以实用。机器学习（ML）通过结合物理模型与学习网络加速了PAI。然而，ML方法的深度与整体能力受限于内存密集的训练。我们提出使用可逆神经网络（INNs）来缓解内存压力。我们证明INNs能在有限视角、含噪与下采样数据设定下对三维光声体数据成像。INNs的节俭型常量内存使用使我们能在16GB RAM的消费级GPU上训练任意深度的学习层。
引用
@article{arxiv.2204.11850,
title = {Memory Efficient Invertible Neural Networks for 3D Photoacoustic Imaging},
author = {Rafael Orozco and Mathias Louboutin and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2204.11850},
year = {2022}
}
备注
Submitted to PRML - Medical Imaging with Deep Learning Conference 2022