Convex optimization algorithms in medical image reconstruction-in the age of AI.
Convex optimization algorithms in medical image reconstruction-in the age of AI.
复制标题
DOI：
10.1088/1361-6560/ac3842
复制
发表时间：
2022-03-23
影响因子：
3.5
通讯作者：
中科院分区：
文献类型：
--
作者：
在过去的十年中，基于模型的图像重建（MBIR）算法迅速增长，这些算法通常是优化社区的凸优化算法的应用或改编。我们回顾了一些国家的最先进的算法，在医学图像重建中享有广泛的普及，强调不同算法之间的已知连接，并讨论了实际问题，如计算和内存成本。最近，深度学习（DL）已经进入医学成像领域，其中最新的发展试图利用DL和MBIR之间的协同作用来提升MBIR的性能。我们提出了现有的方法和新出现的趋势DL增强MBIR方法，特别注意凸性和凸算法对网络架构的潜在作用。我们还讨论了如何凸性可以用来提高一般的DL网络的泛化能力和表示能力。
The past decade has seen the rapid growth of model based image reconstruction (MBIR) algorithms, which are often applications or adaptations of convex optimization algorithms from the optimization community. We review some state-of-the-art algorithms that have enjoyed wide popularity in medical image reconstruction, emphasize known connections between different algorithms, and discuss practical issues such as computation and memory cost. More recently, deep learning (DL) has forayed into medical imaging, where the latest development tries to exploit the synergy between DL and MBIR to elevate the MBIR’s performance. We present existing approaches and emerging trends in DL-enhanced MBIR methods, with particular attention to the underlying role of convexity and convex algorithms on network architecture. We also discuss how convexity can be employed to improve the generalizability and representation power of DL networks in general.
登录
查看更多内容
DOI：
10.1073/pnas.1907377117
发表时间：
2020-12-01
影响因子：
11.1
作者：
Antun, Vegard;Renna, Francesco;Hansen, Anders C.
通讯作者：
Hansen, Anders C.
DOI：
10.1073/pnas.90.21.9758
发表时间：
1993-11-01
影响因子：
11.1
作者：
BARRETT, HH;YAO, J;MYERS, KJ
通讯作者：
MYERS, KJ
用于压缩感知 CT 重建的卷积稀疏编码
影响因子：
10.6
作者：
Bao, Peng;Xia, Wenjun;Zhang, Yi
通讯作者：
Zhang, Yi
影响因子：
1.7
作者：
Bang Cong Vu
通讯作者：
Bang Cong Vu
影响因子：
10.6
作者：
Adler, Jonas;Oktem, Ozan
通讯作者：
Oktem, Ozan