稳定化深度层析重建
图像与视频处理
2021-09-14 v5 计算机视觉与模式识别
机器学习
摘要
基于深度学习的层析图像重建是一个新兴领域，但最近一项标志性研究表明，若干深度重建网络在计算机断层扫描（CT）与磁共振成像（MRI）中是不稳定的。具体而言，报告了三类不稳定性：（1）由微小扰动引起的强图像伪影，（2）深度重建图像中缺失的小特征，以及（3）随输入数据增加而下降的成像性能。另一方面，压缩感知（CS）启发的重建方法因其内建的核感知能力而不受这些不稳定性影响。为使深度重建充分发挥潜力并成为层析成像的主流方法，通过稳定化深度重建网络来应对这一挑战至关重要。在此我们提出解析压缩迭代深度（ACID）框架以应对该挑战。ACID 协同利用在大数据上训练的深度重建网络、源自 CS 启发处理的核感知，以及迭代细化以最小化相对于真实测量的数据残差。我们的研究表明，采用 ACID 的深度重建准确且稳定，并阐明了在 bounded relative error norm（BREN，有界相对误差范数）条件下 ACID 迭代的收敛机制。特别地，研究表明基于 ACID 的重建对对抗攻击具有韧性，优于单独的传统稀疏正则化重建，并消除了上述三类不稳定性。我们预期这种集成数据驱动的方法将有助于推动深度层析图像重建网络的发展与向临床应用的转化。
引用
@article{arxiv.2008.01846,
title = {Stabilizing Deep Tomographic Reconstruction},
author = {Weiwen Wu and Dianlin Hu and Wenxiang Cong and Hongming Shan and Shaoyu Wang and Chuang Niu and Pingkun Yan and Hengyong Yu and Varut Vardhanabhuti and Ge Wang},
journal= {arXiv preprint arXiv:2008.01846},
year = {2021}
}
备注
78 pages, 30 figures, 149 references