基于物理模型与学习型即插即用先验的超声弹性成像
图像与视频处理
2021-03-29 v1
摘要
现有的基于物理模型的超声弹性重建成像方法利用固定的变分正则化器，这些正则化器可能不适用于感兴趣的应用，或无法捕获关于底层组织的复杂空间先验信息。另一方面，端到端基于学习的方法完全依赖训练数据，未利用成像系统的控制性物理定律。我们将基于学习的先验与物理正演模型集成用于超声弹性成像，提出了一种联合重建框架，保证学习驱动的重建与底层物理一致。为将弹性逆问题作为正则化优化问题求解，我们提出一种即插即用（PnP）重建方法，其中弹性图像估计过程的每次迭代都包含分别融入数据保真与基于学习的正则化的更新。在该方法中，数据保真项利用准静态平衡方程的统计线性代数模型建立，揭示了观测位移场与未观测弹性模量之间的关系。正则化器由基于卷积神经网络（CNN）的去噪器组成，捕获底层组织的已学习先验结构。初步仿真结果证明了所提方法在有限训练数据集和含噪位移测量下的鲁棒性与有效性。
引用
@article{arxiv.2103.14096,
title = {Ultrasound Elasticity Imaging Using Physics-based Models And Learning-based Plug-And-Play Priors},
author = {Narges Mohammadi and Marvin M. Doyley and Mujdat Cetin},
journal= {arXiv preprint arXiv:2103.14096},
year = {2021}
}