Patient-specific hyperparameter learning for optimization-based CT image reconstruction.
Patient-specific hyperparameter learning for optimization-based CT image reconstruction.
复制标题
DOI：
10.1088/1361-6560/ac0f9a
复制
发表时间：
2021-09-20
影响因子：
3.5
通讯作者：
Noo F
中科院分区：
文献类型：
--
作者：
Xu J;Noo F
我们提出了一个超参数学习框架，学习患者特定的超参数，用于X射线CT应用的基于优化的图像重建问题。该框架由两个功能模块组成：（1）由卷积神经网络参数化的超参数学习模块，（2）图像重建模块，其将噪声正弦图和来自（1）的超参数两者作为输入并生成重建图像。作为概念验证研究，在这项工作中，我们专注于一个基于优化的图像重建问题的子类，这些问题具有精确的可计算解决方案，以便整个网络可以以有效的方式进行端到端的训练。与现有的超参数学习方法不同，我们提出的框架从同一患者的正弦图生成患者特定的超参数。数值研究表明，我们提出的方法相比，双层优化的有效性。
We propose a hyperparameter learning framework that learns patient-specific hyperparameters for optimization-based image reconstruction problems for x-ray CT applications. The framework consists of two functional modules: (1) a hyperparameter learning module parameterized by a convolutional neural network, (2) an image reconstruction module that takes as inputs both the noisy sinogram and the hyperparameters from (1) and generates the reconstructed images. As a proof-of-concept study, in this work we focus on a subclass of optimization-based image reconstruction problems with exactly computable solutions so that the whole network can be trained end-to-end in an efficient manner. Unlike existing hyperparameter learning methods, our proposed framework generates patient-specific hyperparameters from the sinogram of the same patient. Numerical studies demonstrate the effectiveness of our proposed approach compared to bi-level optimization.
登录
查看更多内容
ADMM-CSNet：图像压缩感知的深度学习方法
DOI：
10.1109/tpami.2018.2883941
发表时间：
2020-03-01
影响因子：
23.6
作者：
Yang, Yan;Sun, Jian;Xu, Zongben
通讯作者：
Xu, Zongben
影响因子：
3.3
作者：
Hammernik K;Klatzer T;Kobler E;Recht MP;Sodickson DK;Pock T;Knoll F
通讯作者：
Knoll F
影响因子：
3.9
作者：
Condat, Laurent
通讯作者：
Condat, Laurent
影响因子：
4.4
作者：
Clark, Kenneth;Vendt, Bruce;Prior, Fred
通讯作者：
Prior, Fred
影响因子：
3.8
作者：
Syben, Christopher;Michen, Markus;Maier, Andreas K.
通讯作者：
Maier, Andreas K.