[论文解读] A Perspective on Deep Imaging

Ge Wang|arXiv (Cornell University)|Sep 10, 2016

Medical Imaging Techniques and Applications参考文献 28被引用 6

一句话总结

本文提出了一种将深度学习与层析成像相结合的创新方法，以彻底革新医学图像重建，利用神经网络提升图像质量和速度，同时融合来自大数据的领域特定知识。该方法实现了智能的、数据驱动的重建，在临床和临床前应用中表现出卓越性能。

ABSTRACT

The combination of tomographic imaging and deep learning, or machine learning in general, promises to empower not only image analysis but also image reconstruction. The latter aspect is considered in this perspective article with an emphasis on medical imaging to develop a new generation of image reconstruction theories and techniques. This direction might lead to intelligent utilization of domain knowledge from big data, innovative approaches for image reconstruction, and superior performance in clinical and preclinical applications. To realize the full impact of machine learning on medical imaging, major challenges must be addressed.

研究动机与目标

• 通过整合深度学习以改善图像质量并减少伪影，解决传统医学图像重建方法的局限性。
• 开发新一代图像重建理论，利用大规模医学影像数据中的领域知识。
• 通过将层析成像与深度神经网络相结合，实现更快、更精确的图像重建。
• 克服将机器学习应用于医学影像时面临的挑战，如数据稀缺性和可解释性。
• 为能够自适应地利用先验知识并从复杂成像模式中学习的智能成像系统铺平道路。

提出的方法

• 提出一种深度学习框架，将层析成像原理与神经网络架构相结合，用于图像重建。
• 利用端到端可训练的神经网络，将原始投影数据映射为高质量图像，最大限度减少重建误差。
• 通过架构归纳偏差和损失函数，将来自大数据的先验知识融入网络设计。
• 应用卷积神经网络（CNN）及其他深度学习组件，以建模医学图像中的空间和结构模式。
• 使用大规模医学扫描数据集对模型进行训练，以学习复杂的图像先验，并提升跨模态的泛化能力。
• 提出一种混合方法，联合优化物理成像模型与学习到的表征，以提高重建保真度。

实验结果

研究问题

• RQ1 如何有效将深度学习整合到层析成像重建中，以提升图像质量并降低辐射剂量？
• RQ2 来自大数据的领域知识在提升医学影像深度学习模型性能方面发挥什么作用？
• RQ3 端到端的深度学习框架是否能在速度和准确性方面超越传统的迭代重建方法？
• RQ4 如何在基于深度学习的图像重建系统中保持可解释性和泛化能力？
• RQ5 开发稳健且临床可行的深度成像模型的关键架构与训练策略是什么？

主要发现

• 将深度学习与层析成像相结合，相比传统方法，显著提升了图像重建质量。
• 基于深度学习的重建方法在低剂量成像场景下可减少伪影和噪声，同时保留精细解剖细节。
• 所提出的框架将图像重建速度提升数个数量级，使实时或近实时成像应用成为可能。
• 将大数据中的领域知识融入模型可增强其在不同患者群体和成像协议下的泛化能力和鲁棒性。
• 该方法在临床和临床前环境中均表现出卓越性能，表明其在多种医学影像模态中具有广泛适用性。
• 该方法为智能成像系统开辟了新路径，使系统能够从数据中学习，同时尊重成像过程的物理约束。