用于低剂量 CT 去噪的二次自编码器 (Q-AE)
机器学习
2019-11-01 v5 信号处理
机器学习
摘要
受生物神经元复杂性与多样性的启发，我们组提出用对输入数据的二次运算替代现有人工神经元中的内积，从而增强单个神经元的能力，即二次神经元。沿此方向，我们致力于评估二次神经元在流行网络架构中的能力，以基于二次神经元深度学习的形式模拟类人学习。我们先前的理论研究已展示二次神经元与网络在表示、效率与可解释性上的重要优点。本文中，我们使用二次神经元构建编解码器结构，称为二次自编码器，并将其应用于低剂量 CT 去噪。在 Mayo 低剂量 CT 数据集上的实验结果展示了二次自编码器在图像去噪与模型效率上的效用。据我们所知，这是首次以新型神经元实现深度学习方法，并展现出在医学影像领域的显著潜力。
引用
@article{arxiv.1901.05593,
title = {Quadratic Autoencoder (Q-AE) for Low-dose CT Denoising},
author = {Fenglei Fan and Hongming Shan and Mannudeep K. Kalra and Ramandeep Singh and Guhan Qian and Matthew Getzin and Yueyang Teng and Juergen Hahn and Ge Wang},
journal= {arXiv preprint arXiv:1901.05593},
year = {2019}
}