This study proposes a Hessian-inversion-free ray-born inversion approach for biomedical ultrasound tomography. The proposed approach is a more efficient version of the ray-born inversion approach proposed in [1]. Using these approaches, the propagation of acoustic waves are modelled using a ray approximation to heterogeneous Green's function. The inverse problem is solved in the frequency domain by iteratively linearisation and minimisation of the objective function from low to high frequencies. In [1], the linear subproblem associated with each frequency interval is solved by an implicit and iterative inversion of the Hessian matrix (inner iterations). Instead, this study applies a preconditioning approach on each linear subproblem so that the Hessian matrix becomes diagonalised, and can thus be inverted in a single step. Using the proposed preconditioning approach, the computational cost of solving each linear subproblem of the proposed ray-Born inversion approach becomes almost the same as solving one linear subproblem associated with a radon-type time-of-flight-based approach using bent rays. More importantly, the smoothness assumptions made for diagonalising the Hessian matrix make the image reconstruction more stable than the inversion approach in [1] to noise.


翻译:本研究为生物医学超声波成像法提出了无黑森反转光源的反射法。提议的方法是[1]中提议的光子反射法的更高效版本。使用这些方法,声波的传播模型使用射线近似值来模拟不同绿色功能。反向问题通过从低频率到高频率的迭代线化和最小化目标功能在频率领域加以解决。在[1]中,与每个频率间隔相关的线性次问题通过隐含和迭代地转换赫森矩阵(内覆)来解决。相反,本研究对每个线性次问题都采用了一种先决条件方法,使赫森基矩阵的传播采用分解法,从而可以单步倒置。使用拟议的先决条件方法,解决从低频率到高频率目标函数的每个线性子问题所需的计算成本几乎等同于解决一个线性次问题,即通过使用弯曲式飞行时基方法(内覆)解决一个线性子问题。更重要的是,使用弯曲式的海珊基图的模型进行平稳的改造,而不是在海拉里平的模型中进行平滑式的模型的调整。

0
下载
关闭预览

相关内容

黑塞矩阵(Hessian Matrix),又译作海森矩阵、海瑟矩阵、海塞矩阵等,是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家Ludwig Otto Hesse提出,并以其名字命名。黑塞矩阵常用于牛顿法解决优化问题。
【经典书】时间序列分析与应用R语言,第二版,501页pdf
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
123+阅读 · 2020年9月8日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年3月15日
Arxiv
19+阅读 · 2021年1月14日
W-net: Bridged U-net for 2D Medical Image Segmentation
Arxiv
19+阅读 · 2018年7月12日
VIP会员
相关VIP内容
【经典书】时间序列分析与应用R语言,第二版,501页pdf
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
123+阅读 · 2020年9月8日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员