Tomographic image reconstruction with deep learning (DL) is an emerging field of applied artificial intelligence, but a recent landmark study reveals that several deep reconstruction networks are unstable for computed tomography (CT) and magnetic resonance imaging (MRI). Since deep reconstruction is now a mainstream approach to achieve better tomographic image quality, stabilizing deep networks is an urgent challenge. Here we propose an Analytic Compressive Iterative Deep (ACID) framework to address this challenge. Instead of only using DL or compressed sensing, ACID consists of four modules: deep learning, compressed sensing-inspired sparsity promotion, analytic mapping, and iterative refinement. This paper shows the convergence and stability of ACID under a bounded error norm condition (a special case of the Lipschitz continuity), improves deep reconstruction quality by stabilizing an unstable deep reconstruction network in the ACID framework, and demonstrates the power of ACID in both stabilizing an unstable network and being resilient against adversarial attacks to the whole ACID workflow. In our experiments, ACID eliminated all three kinds of instabilities and significantly improved image quality in the context of the aforementioned study on the instabilities, demonstrating that data-driven reconstruction can be stabilized to outperform reconstruction using sparsity-regularized reconstruction alone. The mechanism of ACID is to synergize a deep reconstruction network trained on big data, compressed sensing-based improvement with kernel awareness, and iterative refinement to eliminate any data residual inconsistent with real data. We anticipate that this integrative closed-loop data-driven approach helps advance deep tomographic image reconstruction methods into clinical applications.


翻译:利用深层学习(DL)进行成像重建是应用人工智能的一个新兴领域,但最近一项具有里程碑意义的研究表明,一些深层重建网络在计算成成像和磁共振成像(MRI)方面不稳定。由于深层重建现在是提高成像图像质量的主流方法,稳定深层网络是一项紧迫的挑战。我们在这里建议采用分析压缩压缩透析深深深层(ACID)框架来应对这一挑战。ACID不仅使用DL或压缩感应,而且由四个模块组成:深层学习、精密遥感启发的孔隙推进、分析绘图和迭接改进。本文显示,ASID在受限制的错误规范条件下(Lipschitz连续性的一个特例),正在通过稳定一个不稳定的深层重建网络来提高深层网络的质量。 我们的实验中,ACID消除了所有三种类型的不稳定性和大幅改进的图像质量。 ASID在进行上述的重建中,利用经过训练的不断稳定化的不断稳定的数据,可以将数据转化为不断稳定化的重建机制。

0
下载
关闭预览

相关内容

ACID,指数据库事务正确执行的四个基本要素的缩写。包含:原子性(Atomicity)、一致性(Consistency)、隔离性(Isolation)、持久性(Durability)。一个支持事务(Transaction)的数据库,必需要具有这四种特性,否则在事务过程(Transaction processing)当中无法保证数据的正确性,交易过程极可能达不到交易方的要求。
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
“CVPR 2020 接受论文列表 1470篇论文都在这了
CVPR 2019 | 重磅!34篇 CVPR2019 论文实现代码
AI研习社
11+阅读 · 2019年6月21日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Arxiv
5+阅读 · 2018年3月30日
Arxiv
5+阅读 · 2018年1月17日
VIP会员
相关VIP内容
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
相关资讯
“CVPR 2020 接受论文列表 1470篇论文都在这了
CVPR 2019 | 重磅!34篇 CVPR2019 论文实现代码
AI研习社
11+阅读 · 2019年6月21日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Top
微信扫码咨询专知VIP会员