PYRO-NN:神经网络中的Python重建算子
计算机视觉与模式识别
2020-07-01 v1
摘要
目的:近来,已有若干尝试将深度学习迁移至医学图像重建。越来越多出版物遵循将CT重建作为已知算子嵌入神经网络的概念。然而,多数已有方法缺乏完全集成于深度学习环境的高效CT重建框架。因此,许多方法被迫对数学上明确可解的问题使用变通方案。方法:PYRO-NN是一个将已知算子嵌入主流深度学习框架Tensorflow的通用框架。当前版本包含以CUDA加速、作为Tensorflow层提供的先进平行束、扇束和锥束投影与反投影算子。此外,该框架提供高层Python API,以使用真实CT系统的数据开展FBP与迭代重建实验。结果:该框架提供所有必要算法与工具,以设计集成CT重建算法的端到端神经网络流水线。高层Python API允许像Tensorflow中那样简单使用这些层。为展示层的能力,框架附带三个基线实验,分别展示锥束短扫描FDK重建、CT重建滤波器学习设置,以及TV正则化迭代重建。所有算法与工具均引自科学出版物,并与现有非深度学习重建框架比较。框架作为开源软件提供于\url{https://github.com/csyben/PYRO-NN}。结论:PYRO-NN随主流深度学习框架Tensorflow发布,允许在医学图像重建背景下搭建端到端可训练神经网络。我们相信该框架将是迈向可复现研究的一步。
引用
@article{arxiv.1904.13342,
title = {PYRO-NN: Python Reconstruction Operators in Neural Networks},
author = {Christopher Syben and Markus Michen and Bernhard Stimpel and Stephan Seitz and Stefan Ploner and Andreas K. Maier},
journal= {arXiv preprint arXiv:1904.13342},
year = {2020}
}
备注
V1: Submitted to Medical Physics, 11 pages, 7 figures