面向前瞻性医学图像重建的知识驱动动态最优传输方法
图像与视频处理
2025-11-19 v3 计算机视觉与模式识别
摘要
从测量数据中重建医学图像是一项至关重要但具有挑战性的逆问题。深度学习方法已取得有前景的结果，但通常需要配对的测量数据和高质量图像，这通常通过前向模型模拟实现，即回顾性重建。然而，在模拟配对数据上训练常常导致在真实前瞻性数据上的性能下降，这是由于模拟中不完整的成像知识所引起的回顾性-前瞻性差距。为应对这一挑战，本文提出了成像知识驱动动态最优传输（KIDOT），一种新型动态最优传输框架，其最优性体现在传输过程中保持与成像物理的一致性，将重建概念化为寻找一条动态传输路径。KIDOT通过建模从测量到图像的连续演化路径，在成像知识驱动的成本函数和传输方程的引导下，从未配对数据中学习。这种动态且知识感知的方法增强了鲁棒性，更好地利用了未配对数据，同时尊重采集物理。理论上，我们证明了KIDOT自然地推广了动态最优传输，确保了其数学合理性和解的存在性。在MRI和CT重建上的大量实验证明了KIDOT的优越性能。
引用
@article{arxiv.2505.17644,
title = {Towards Prospective Medical Image Reconstruction via Knowledge-Informed Dynamic Optimal Transport},
author = {Taoran Zheng and Yan Yang and Xing Li and Xiang Gu and Jian Sun and Zongben Xu},
journal= {arXiv preprint arXiv:2505.17644},
year = {2025}
}