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 [3]. 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 [3], 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 [3] to noise.


翻译:本研究提出了一种声学生物医学成像中无Hessian矩阵求逆的射线Borne反演方法。该方法是[3]中提出的射线Borne反演方法的更高效版本。通过将声波传播建模为杂波绿函数的射线逼近,该方法通过从低到高频逐次线性化目标函数,并最小化来解决频率域内的逆问题。在[3]中,与每个频率间隔相关的线性子问题通过隐式和迭代求解Hessian矩阵(内部迭代)来解决。相反,本研究对每个线性子问题应用一种预处理方法,使得Hessian矩阵变成了对角线矩阵,因此可以在一步中得到求逆。使用所提出的预处理方法,解决所提出的射线Borne反演方法的每个线性子问题的计算成本几乎与使用弯曲射线的Radon型飞行时间方法中与线性子问题相关的一个线性子问题的解决成本相同。更重要的是,为对角化Hessian矩阵所做的平滑性假设使图像重建比[3]中的反演方法对噪声更加稳定。

0
下载
关闭预览

相关内容

【2022新书】机器学习中的统计建模:概念和应用,398页pdf
专知会员服务
134+阅读 · 2022年11月5日
Meta最新WWW2022《联邦计算导论》教程,附77页ppt
专知会员服务
59+阅读 · 2022年5月5日
【硬核书】矩阵代数基础,248页pdf
专知会员服务
81+阅读 · 2021年12月9日
专知会员服务
22+阅读 · 2021年4月10日
专知会员服务
50+阅读 · 2020年12月14日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
无监督元学习表示学习
CreateAMind
26+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3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 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31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
0+阅读 · 2013年12月31日
国家自然科学基金
1+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
国家自然科学基金
0+阅读 · 2008年12月31日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31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
0+阅读 · 2013年12月31日
国家自然科学基金
1+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
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员