VALSE 20200415 | 机器学习 vs 压缩感知:核磁共振成像与重建

news2024/11/13 11:17:11

【Talk】VALSE 20200415 | 机器学习 vs 压缩感知:核磁共振成像与重建

文章目录

  • 【Talk】VALSE 20200415 | 机器学习 vs 压缩感知:核磁共振成像与重建
    • Deep learning for MR imaging and analysis - Shanshan Wang
    • Machine Learning for CS MRI: From Model-Based Methods to Deep Learning - Bihan Wen
      • 重建问题简介
      • 压缩感知介绍
      • Model-based method: Transform learning for better sparsity
        • 基本概念
        • 1.Transform learning Method 1: Sparsifying Transform Learning(STL)
        • 2.Unitary Transform Learning (UT)
        • 3. Learning a UNIon of Transforms (UNITE)
        • 4.Flipping and Rotation Invariant Sparsifying Transform (FRIST)
        • 5. Sparsifying TRansfOrm Learning and Low-Rankness (STROLLR)
        • 总结
        • 讨论
      • Deep Learning
        • 一些主流模型
        • 深度学习模型和传统模型的对比

报告主页:http://valser.org/article-359-1.html

20200415 机器学习 vs 压缩感知:核磁共振成像与重建

PPT:Shanshan Wang slides | Bihan Wen slides

谷歌学术:

  • 王珊珊 Shanshan Wang | siat
  • 文碧汉 | ntu

Deep learning for MR imaging and analysis - Shanshan Wang

可以参考前面链接中的ppt,这里不重点讲,我们主要关注文碧汉老师的talk。

Machine Learning for CS MRI: From Model-Based Methods to Deep Learning - Bihan Wen

重建问题简介

计算机视觉准确来说是图像理解,成像/重建的本质是感知,从低质量观测恢复高质量图像。

计算机视觉和图像重建对比

MRI成像过程可以看做下面的公式:

MRI成像模型

理想情况下k-space是连续的,但是由于信息的采集都是的数字信号,因此采集到的都是离散化的数据,因此可以说采集到的k-空间的全采样图像都是真实情况下的欠采样。

但是我们要讨论的情况是在全采样情况下的欠采样,也就是对全采样的图像我们只采样部分区域,如下图:

但是直接求解这个逆过程是一个ill-posed 问题。在十年前,压缩感知作为一个比较好的方法在重建领域大放异彩。

压缩感知介绍

经典压缩感知公式如下

  • 有约束优化问题(Transform domain sparsity):利用MR成像的关系式 F u x = y F_ux=y Fux=y,我们设计一个有约束的优化问题。目标在固定的Transform(变换)下的最优的sparsity,找到使得sparsity最优的 x x x

    image-20230707013832092

  • 无约束优化问题:sparsity作为正则项image-20230707013842646

稀疏性

①为什么sparsity比较重要?

image model的作用如下,即提供判断是否为我们想要的图像的依据。image-20230707013847785

②信号的稀疏性定义

定义:一个dense的信号在transform domain是稀疏的

举例:一个一维信号是稀疏的 ⇔ \Leftrightarrow 大多数相关系数为0

image-20230707013858597

特点:自然信号大都是满足sparsity属性的,例如自然图像的离散余弦变换image-20230707013903212

而噪声的离散余弦变换仍为噪声:

image-20230707013908933

磁共振重建领域的压缩感知方法发展如下:

image-20230707013915500

Model-based method: Transform learning for better sparsity

基本概念

在压缩感知中,我们给定了一个变换 Ψ \Psi Ψ(如DCT、小波等等),求得这个变换下最稀疏的 x x x。如下式:

image-20230707013920584

但是我们希望去学习这个变换,使得稀疏化更好,如下图:

image-20230707013924578

1.Transform learning Method 1: Sparsifying Transform Learning(STL)

image-20230707013929165

符号解释:

W \mathbf{W} W: 要学习的变换矩阵; b i \mathbf{b}_i bi: patch对应的sparse code

P i \mathbf{P}_i Pi: 图像中的第 i i i个patch;

λ 2 ∥ W ∥ F 2 − λ l o g ( d e t W ) \frac \lambda 2 \Vert \mathbf W\Vert^2_F - \lambda log(det \mathbf W) 2λWF2λlog(detW): 保证了 W , b \mathbf W,\mathbf b W,b不会变成一个trivial的解:为0,保证让 λ 2 ∥ W ∥ F 2 \frac \lambda 2 \Vert \mathbf W\Vert^2_F 2λWF2其尽量趋近于1

该方法的优缺点:

① 有闭式解

2.Unitary Transform Learning (UT)

image-20230707014024926

算法的具体实现过程:image-20230707013956805

3. Learning a UNIon of Transforms (UNITE)

image-20230707014030802

图像比较复杂的情况下,一个transformer是不够的。

4.Flipping and Rotation Invariant Sparsifying Transform (FRIST)

image-20230707014035838

5. Sparsifying TRansfOrm Learning and Low-Rankness (STROLLR)

有的时候不光使用sparsity,也可以构建Low-rank,将二者结合在一起约束。

image-20230707014040635

总结

image-20230707014044897

讨论

image-20230707014049220

注:不同的model在不同的MRI中有不同的效果,需要选择更适合的方法,达到最好的效果。image-20230707014053294

Deep Learning

一些主流模型

model的发展,即model灵活性的上升,模型具有更好的适应性:image-20230707014057478

下面我们主要关注两种方向:①unroll network(主流),将迭代过程变为多个network,如下图:

image-20230707014101790

image-20230707014105759

②另一种想法就是设计多层的transform:

image-20230707014109415

一些结果:

image-20230707014112740

image-20230707014117510

此外,自监督的方式也有一定的优势:我们希望模型不只是拘泥于数据集,而要一定程度上focus在图像本身,根据图像本身的一些全局和局部信息进行重建。

深度学习模型和传统模型的对比

image-20230707014121664

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/725881.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Spring Boot 中的视图解析器是什么,如何使用

Spring Boot 中的视图解析器是什么,如何使用 在 Spring Boot 中,视图解析器是将视图名称解析为具体视图对象的组件。视图对象可以是 JSP、FreeMarker、Thymeleaf 等模板引擎生成的 HTML 页面,也可以是 JSON、XML 等格式的数据响应。Spring B…

基于Javaweb实现ATM机系统开发实战(三)用户查询功能实现

首先通过我们查看前端界面发现,先要实现前端用户查询功能,主要就是要把list1和list2所需的数据传递给前端,由前端进行展示。 首先我们需要写一个servlet处理收到的请求: ps:Servlet是什么? Java Servlet 是…

FreeRTOS ~(五)队列的常规使用 ~ (1/5)队列解决同步缺陷

前情提要 FreeRTOS ~(四)同步互斥与通信 ~ (1/3)同步的缺陷 举例子说明:利用队列解决前述的"同步的缺陷"问题 static int sum 0; /* sum存放计算的结果 */ static volatile int flagCalcEnd 0; /* 标…

哪款3D虚拟人物建模软件好用?

3D虚拟人物建模软件一直以来受到许多人的关注和追捧。现在,随着智能手机的普及,3D虚拟人物手机建模软件也开始走进大家的视野。那么,市面上3D虚拟人物建模软件这么多,究竟哪款3D虚拟人物建模软件是好用的呢? 首先&…

【聚类算法】OPTICS基于密度聚类

every blog every motto: You can do more than you think. https://blog.csdn.net/weixin_39190382?typeblog 0. 前言 对DBSCAN的补充,OPTICS聚类 1. 正文 1.0 DBSCAN的存在问题 前面我们介绍了DBSCAN,其能根据密度进行聚类。 但其存在这样一个问…

cv2 安装问题, opencv

解决安装了opencv-python,但 import cv2 报错。 需要安装: pip install opencv-python-headless

VS 2022 修改应用程序选择目标框架为4.8

一、设置访问项目属性为True 打开工具菜单---选项---适用于Unity的工具 将这个访问项目属性一栏设置为True。之后要解决方案再重新打开即可生效。 二、设置应用程序选择目标框架 点击项目-->属性-->应用程序选择目标框架为.netfromwork4.8

Java入门程序——运算符

文章目录 赋值运算符算术运算符自增运算符自减运算符 比较(关系)运算符逻辑运算符逻辑运算符——快速运算(短路运算) 复合赋值运算符条件运算符字符串连接运算符三元运算符总结 赋值运算符 • 格式:变量名表达式&…

1.7 用户注册_判断用户是否存在和自定义响应数据结构

步骤1&#xff1a;在顶级pom.xml添加常用工具依赖。 <!-- apache 工具类 --> <dependency><groupId>commons-codec</groupId><artifactId>commons-codec</artifactId><version>1.11</version> </dependency> <depen…

实现TCP通信(socket套接字)

一、TCP通信实现的过程 服务器端 socket函数 与 通信域 #include <sys/types.h> #include <sys/socket.h> int socket(int domain, int type, int protocol); -domain: 指定通信域&#xff08;通信地址族&#xff09;; -type: 指定套接字类型; -protocol: 指定协…

大象机器人myCobot 280 2023版全新功能展示

引言 机械臂是一种可编程的、自动化的机械系统&#xff0c;它可以模拟人类的动作&#xff0c;完成各种任务&#xff0c;例如装配、喷涂、包装、搬运、焊接、研磨等。由于其高度灵活性和多功能性&#xff0c;机械臂在现代社会中已经得到了广泛的应用。 myCobot 280 M5Stack 202…

项目需求管理

项目需求管理的五大过程 一、需求获取 编写项目视图 范围文档 用户群分类 选择用户代表 建立核心队伍 确定使用实例 召开联合会议 分析用户工作流程、 确定质量属性、 检查问题报告 需求重用 二、需求分析 1、绘制关联图&#xff0c;用于定义系统与系统外部实体间的边界和接口的…

多个六轴机械臂联合作业搬运仿真(机器人工具箱)

1、建立三个六轴机械臂、工作平台与货物 clear clc close all % theta d a alpha sigma L1Link([0 0 0 pi/2 0 ]);%连杆1参数 L2Link([0 -0.1455 0.4375 0 0 ]);L2.offsetpi/2;%连杆2参数 L3Link(…

Playwright自动化测试工具 java版本

Playwright 第一个程序 public static void main(String[] args) {Playwright playwright Playwright.create(); // Browser browser playwright.chromium().launch(new BrowserType.LaunchOptions().setHeadless(false));BrowserType.LaunchOptions launchOptions …

nginx+lua(openresty) lua-mongodb 安装及使用(四)

前言 前章已经讲述 ua-protobuf 安装及使用 这章主要讲述 openresty 环境下 lua-mongodb 安装及使用 1:环境 ubuntu16(18) mongodb 3.6 2:安装mongodb 3.6 sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 2930ADAE8CAF5059EE73BB4B58712A2291FA4AD5 #创…

MySQL的初步认识——【初识MySQL】第一节

MySQL的初步认识——【初识MySQL】第一节 文章目录 MySQL的初步认识——【初识MySQL】第一节MySQL简介简介版本MySQL 5.5MySQL 5.6MySQL 5.7MySQL 8.0 安装建议 MySQL的卸载补充操作详情 小技巧 MySQL5.7.17的下载教训 MySQL简介 简介 MySQL是一个开源的关系型数据库管理系统…

【MongoDB】

目录 MongoDB基本简介 MongoDB基本概念 MongoDB和关系数据库的对比 MongoDB数据类型 MongoDB元素命名规则 MongoDB安装部署 MongoDB配置管理 MongoDB服务管理 MongoDB 多实例配置 基本操作 集合 数据备份与恢复 MongoDB复制集集群部署及管理 MongoDB复制集ReplSe…

[PG]生成表注释SQL

由于PostgreSQL无论是表还是字段的注释是通过 comment on语句来处理的。 可通过如下语句生成表的注释SQL执行语句&#xff1a; SELECT CONCAT(COMMENT ON , "type", 模式., "name", IS ", "comment", ";) AS "comment_sql&q…

软考:中级软件设计师:存储管理,分区存储,页式存储,逻辑地址,物理地址

软考&#xff1a;中级软件设计师:存储管理&#xff0c;分区存储 提示&#xff1a;系列被面试官问的问题&#xff0c;我自己当时不会&#xff0c;所以下来自己复盘一下&#xff0c;认真学习和总结&#xff0c;以应对未来更多的可能性 关于互联网大厂的笔试面试&#xff0c;都是…

idea 启动项目 java: Compilation failed: internal java compiler error

1. 首先查看 项目的 编译的 JDK 版本是否是 匹配了或匹配的 2. 堆分配的内存不足导致&#xff0c;如下图位置 堆 构建程序的 堆大小调大