用多域模拟训练变分网络：声速图像重建
图像与视频处理
2020-07-23 v1 计算机视觉与模式识别
医学物理
摘要
声速已被证明是乳腺癌症成像的潜在生物标志物，可成功区分恶性与良性肿瘤。声速图像可由使用常规手持超声换能器获取的超声图像中的飞行时间测量值重建。变分网络（VN）近来被证明是一种基于学习的、用于优化图像重建中逆问题的潜在方法。尽管早期结果令人鼓舞，这些方法由于域偏移而从模拟数据到实测数据泛化不佳。本工作中，我们首次提出一种 VN 方案，用于使用常规换能器与单面组织接触的发散波声速图像重建问题。这是通过将不同复杂度的模拟融入训练而实现的。我们使用带动量的梯度下降循环展开，并以每次展开迭代输出的指数加权损失来正则化训练。我们学习范数作为激活函数，并将其正则化为平滑形式以增强对输入分布变化的鲁棒性。我们在基于射线的与全波模拟以及仿组织体模数据上评估重建质量，并与该图像重建问题的经典迭代（L-BFGS）优化进行比较。我们表明，所提出的正则化技术结合多源域训练显著提升了 VN 的域适应能力，相较于基线 VN 在基于波的模拟数据集上中位 RMSE 降低 54%。我们还表明，在仿组织乳腺体模获取的数据上，所提出 VN 在 12 毫秒内提供了改进的重建。
引用
@article{arxiv.2006.14395,
title = {Training Variational Networks with Multi-Domain Simulations: Speed-of-Sound Image Reconstruction},
author = {Melanie Bernhardt and Valery Vishnevskiy and Richard Rau and Orcun Goksel},
journal= {arXiv preprint arXiv:2006.14395},
year = {2020}
}